如何评估 AI 智能体：从工具调用到任务完成

评估上线 AI 智能体的关键在于验证其能否在真实环境中执行数十次连续工具调用，并在某个步骤失败时自主恢复。仅评估模型回复听起来是否合理无法判断工作是否真正完成，这也推动智能体评估体系必须从单次函数调用打分演进为对完整任务完成度的全面衡量。