美团图灵团队公开 Agent 评测方法论，从模型打分转向任务行为观测

美团图灵团队公开系统讲解 Agent 评测方法的内部博客，核心观点是评测对象应从单次 Answer 转向 Prompt 到 Expected Behavior 的完整任务链路。文章基于美团两年多业务实践，提出观测、分层指标和 Rubric 二元化对齐方法，并以 Skill 为例说明长程 Agent 评测需关注过程、稳定性和风险。