文档摘要

7.1 智能体评测：从答题对错到任务完成 本节摘要：智能体评测的度量单位不是"答案对不对"，而是"任务成没成、花了多少步、费了多少钱"。本节给出任务级评测集的结构、四类核心指标的定义与判分脚本骨架，并用一次真实的回归事故说明评测如何把"感觉变差了"变成可定位的工程事实。 聊天应用的评测习惯——攒一批问答题对答案——搬到智能体上会全面失灵。同一个任务，两次执行的工具路径可以完全不同；文本回答相似，中间动作却可能一个越权一个合规。 会员。《7.1 智能体评测：从答题对错到任务完成》收录于灏天文库文集《大模型驱动的智能体构建与应用》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/534-%E5%A4%A7%E6%A8%A1%E5%9E%8B%E9%A9%B1%E5%8A%A8%E7%9A%84%E6%99%BA%E8%83%BD%E4%BD%93%E6%9E%84%E5%BB%BA%E4%B8%8E%E5%BA%94%E7%94%A8

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流