从组件到系统，Agent 的 Evaluation 怎么做？

随着AI系统从大语言模型（LLM）向具备自主决策能力的AI Agent演进，传统基于静态文本输出的评估方式已难以衡量其在真实环境中的综合表现。Agent评估需聚焦端到端任务的成功率、规划能力与工具使用等行动导向指标，而非仅文本流畅性或知识准确性。由于现有LLM基准如GLUE、MMLU等正被快速“刷榜”至接近人类水平，学界转向GAIA、MCP-AgentBench等新型基准，以应对Agent在动态环境中复杂行为的评估挑战，推动评估范式从“引擎测试”迈向“整车路测”。
来源：https://mp.weixin.qq.com/s/NkNBM6qObWZlthCYMhBw-g