文档摘要

源文件：book/chapter6.md Agent 的评估 构建 Agent 系统时，开发者面对大量设计选择，而它们往往没有显而易见的正确答案： 用什么模型？ 让模型能调用哪些工具？ 知识库该存什么数据、以什么结构来构建？ 用户记忆该怎么做？ 模型的提示词和 Skills 该如何组织？ Harness 中需要加上哪些约束？ 这个 Agent 的自我进化和自迭代该怎么做？ 评估为我们提供了科学的决策依据：通过系统性的对比实验（改变一个变量，观察效果变化）和消融实验（逐一关闭某个组件，观察整体性能变化，从而判断该组件的真实贡献），区分真正的能力提升与表面的波动，避免“捡了芝麻，丢了西瓜”。正如软件工程中“没有度量就没有改进”的说法，不建立可重复的评估体系，Agent 的迭代方向就只能靠直觉。

---