你的Agent评估，可能从第一步就建错了标准

你有没有发现，大多数团队测Agent系统时，还在用测传统软件的思路？这篇文提出四步循环法来写Agent的评估方案，观点很硬：Agent的行为是概率性的、误差会链式累积，你不能用输入输出的线性模型去框它。四步大概是定义行为边界、构造对抗场景、观测执行路径、迭代修正标准——然后重新跑，因为Agent的输出会随环境漂移。 我的判断是这不只是方法论问题，是认知问题。多数人把Agent当更大的黑箱，但它本质上是一个需要持续校准的决策回路。你测的从来不是模型本身，是模型和世界的交互质量。

原文：Writing Evals for Agentic Systems as a 4 Step Loop · 来源：Hacker News