Agent 评测方法论 Agent 迭代中的问题 常见问题：迭代后 Agent 出现 “降智” 现象，表现为能力退化或极端情况处理失败 核心痛点：缺乏量化评测，导致迭代依赖直觉，问题发现滞后（如用户投诉后才察觉），陷入被动救火循环 Agent 评测的核心逻辑 核心目标：将模糊的 Agent 表现转化为可信赖、可量化的数字评测 与传统大模型评测的差异：Agent 涉及多轮交互（调用工具、修改状态、调整策略），单轮测试失效，中间环节错误易导致任务失败 Agent 评测的核心概念 Task（测试用例）：包含输入和成功标准…