Evals
中文建议： 评测 / 评估体系
成熟度： 🟢
重要程度： ★★★★★
一句话解释
用可重复的方法衡量 Agent 是否正确、稳定、高效地完成目标。
为什么需要它？
Agent 输出具有随机性，而且任务通常跨越多步。只看几个成功 demo 很难判断系统是否真的可靠，需要可重复的数据集、指标和评测过程。
在 Agent 系统中的位置
Evals 可以覆盖最终任务成功率，也可以评估工具使用、轨迹、成本、延迟、安全行为和中间决策质量。
最容易混淆
Evals ≠ 单元测试，但两者可以结合。单元测试更适合确定性代码；Agent Evals 往往还要处理概率输出和多步行为。