介绍从任务设计、评分器选择到评测框架搭建和版本追踪的智能体评测方法。
推荐理由：核心是把智能体评测拆为任务、评分器、执行框架和持续追踪四层，能减少单一成功率掩盖的波动；但现有摘要未给出指标设计或实验结果。
阅读原文