AI Agent 评测：到底要测什么、新手怎么测？（附完整流程）

AI Agent 评测应在 PRD 阶段与需求定义同步启动，从结果、过程、效率和安全多维度判断 Agent 是否达到产品目标。传统布尔断言无法应对答案不唯一、结果正确但过程出错、LLM-as-a-Judge 评委自身漂移等问题，需结合确定性评分、轨迹评分、LLM-as-a-Judge 与人工评审四种打分方式。完整落地流程包含建数据集、配评分器、设执行环境、执行并记录、分析失败、持续回归六个环节。