用途：衡量智能体是否真正按预期工作。核心观点是智能体行为不存在于源码中，代码只说明允许做什么，只有一次运行才能说明实际做了什么，因此被测对象是执行记录。
主要能力：定义三种原语——Run（一次模型调用，含完整提示、工具与上下文）、Trace（一次完整执行，含每次工具调用及参数结果）、Thread（一个会话中的多条 trace，含多轮上下文、状态演化与耗时）。对应三种粒度：单步验证 run，整轮验证 trace（轨迹、最终响应、状态变更三轴），多轮验证 thread（每轮设检查点并快速失败）。评测分三层：离线（有数据集，作为发布门禁）、在线（无参考答案，检测生产漂移）、探索性（对已存 trace 做聚类分析）。强调用窄而具体的行为化通过/失败评分标准，而非笼统打分；先做确定性廉价检查，再交给模型评判；评判需用人工标注校准。还提出在图中放置 checker 节点，只判断可用/不可用，并记录每次判定及其来源。
使用方式：先保证 trace 可持久化、可按 id 查询、可按分数与时间过滤；分数作为一等记录绑定 run_id、key、value 与来源（human、llm_judge、code_check）；保存完整提示而非摘要；在轮次边界保存状态快照。可观测标准应在实现之前写好，语料则从生产失败与差评中持续积累，最小化后加入对应粒度并永久保留。
适用场景：构建智能体评测套件、评判轨迹而非仅看最终答案、把生产 trace 转化为测试用例。
限制：多轮评测最难实现好；通用指标无法指导修改；评判模型对看似合理但领域错误的输出不可靠，需人工专家；未校准的评判不可信；checker 可能静默放行，从未拒绝过任何输入的 checker 是问题信号。资料未提供具体安装命令、价格或平台支持信息。