用途：为智能体系统建立评估框架，系统化测试智能体表现、验证上下文工程选择、衡量长期改进、在部署前捕获回归、为智能体流水线建立质量门禁、比较不同配置并持续评估生产系统。
主要能力：以结果为导向评估，适应非确定性与多条有效路径；多维评分标准，覆盖事实准确性、完整性、引用准确性、来源质量与工具效率；将维度评估转为 0.0 至 1.0 数值并加权计算总分，按用例设定通过阈值；LLM 评审可扩展至大测试集，人工评审捕捉边缘情况；对改变持久状态的智能体采用终态评估；测试集按复杂度分层，从简单单次工具调用到复杂长交互；支持上下文策略对比、上下文退化测试与持续评估流水线。
使用方式：定义与用例相关的质量维度，创建带清晰等级描述的评分标准，从真实使用模式与边缘情况构建测试集，实现自动评估流水线，在变更前建立基线指标，对所有重大变更运行评估，长期跟踪指标趋势，并以人工评审补充自动评估。资料中给出简单评估函数与测试集结构示例，涉及 load_rubric、assess_dimension、weighted_average 等调用，以及按 simple、medium、complex、very_complex 分层的测试集条目。
适用场景：智能体性能测试、上下文工程验证、回归检测、配置比较、生产质量监控与流水线质量门禁。
限制与注意：资料未提供具体安装命令、依赖、平台或收费信息；评估需避免过拟合特定路径、忽视边缘情况、单一指标依赖、忽略上下文影响以及跳过人工评审。资料提到 BrowseComp 评估中 token 使用解释约 80% 性能方差、工具调用数约 10%、模型选择约 5%，并建议使用真实 token 预算评估。