如何从工具调用到任务完成评估 AI Agent

评估 AI Agent 的关键，是观察其能否在实时环境中完成由数十次连续工具调用组成的工作，并在某一步失败后恢复。判断模型回答听起来是否合理，几乎无法说明任务是否真正完成，因此 Agent 评估需要从单次函数调用评分转向对完整任务的评估。