AI Agent 评估指南：定义、分类与七步写作实践

Agent 评估需覆盖工具调用、参数及状态等全链路，仅检查文本回复易导致误判。文章详解代码、模型、人工三类评分器差异，给出从真实流量构建任务、定义结果导向成功标准的七步流程。引入 pass^k 指标衡量多轮一致性，强调冻结套件并在 CI 中运行以监控模型或提示词变更导致的回归。