用途：评估智能体性能、搭建测试框架、衡量质量，适合需要为智能体建立可重复评估流程的场景。
主要能力与方法： 评估思路强调智能体是非确定性的，可能有多种有效路径且无唯一正确答案，因此应以结果而非具体步骤来评估。资料引用 BrowseComp 研究：token 用量解释 80% 方差、工具调用约 10%、模型选择约 5%；含义是模型升级优于单纯增加 token，多智能体架构得到验证。
多维评分标准：从事实准确性、完整性、引用准确性、工具效率四个维度，按 Excellent/Good/Acceptable/Failed 分级。
LLM-as-Judge：提供 evaluation_prompt 模板，包含任务、智能体输出、ground truth，要求对上述四个维度给 0-1 分并附理由。
测试集设计：示例 test_set 按 simple、medium、complex、very_complex 分层，输入从“法国首都是哪里”到“研究 AI 技术、评估影响、推荐策略”。评估流水线伪代码 evaluate_agent 遍历测试集，调用 llm_judge 打分，以 overall >= 0.7 判定通过。复杂度分层特征：简单为单次工具调用，中等为多次调用，复杂为大量调用且含歧义，极复杂为长交互与深度推理。
上下文工程评估：在同一测试上以不同上下文策略运行智能体，比较质量分数、token 用量与效率，识别不同上下文规模下的退化临界点。
持续评估：对所有智能体变更运行评估，跟踪指标趋势，为质量下降设置告警，抽样生产交互。
陷阱与对策：路径过拟合—评估结果而非步骤；忽略边缘情况—纳入多样场景；单一指标—采用多维评分；忽略上下文—测试真实上下文规模；缺少人工复核—以人工补充自动评估。
最佳实践：使用多维评分、评估结果而非特定路径、覆盖复杂度级别、以真实上下文规模测试、持续评估、以人工补充 LLM、跟踪指标趋势、设定明确通过阈值。
限制：资料未提供具体安装命令、依赖、平台支持、收费或价格信息；部分内容为代码示例与表格，实际落地需自行适配。