AI Agent 评测实践指南：四维度判断与六环节落地流程

这篇教程系统讲解了 AI Agent 评测的维度、打分方法和落地流程，指出被测对象是模型加上提示词、工具、知识库的整套系统而非模型本身。评测至少要回答结果对不对、过程合不合理、代价能不能接受、行为安不安全四个问题，打分按规则优先交给代码、规则写不了的交给 LLM、争议和高风险样本留给人工。

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。