先给结论，再解释为什么。
Agent 评估不能只看最终答案，还要看任务完成率、工具选择、步骤质量、成本、延迟和失败恢复。实践中通常把离线基准、轨迹级评估、LLM Judge、确定性规则和线上业务指标组合起来。
Agent Evaluation 应该怎么做？
先把它当成真实面试来回答。完成追问后，再对照要点和参考答案。
本题考察EvaluationTracingReliability
AI 模拟面试1 / 4
I
面试官
Agent Evaluation 应该怎么做？
0 字
不是背定义，而是这些关键判断。
01Task Success
02Trajectory
03Cost
04Online Metrics
FOLLOW-UP QUESTIONS
面试官可能继续追问
真正拉开差距的，通常不是第一问，而是你能不能接住后续。
01
LLM-as-a-Judge 有哪些风险？
02
工具调用正确率应该如何定义？
03
离线分数提高但线上效果下降可能是什么原因？