英文：Agent Evaluation 分类：agent
对 AI 智能体的规划、工具使用、多步执行与最终结果进行系统评测的方法体系。智能体行为链长、状态空间大，评估需同时看过程质量与结果正确性。
方法包括：任务完成率（端到端成功率）、过程指标（步数效率、工具调用正确率、恢复能力）、鲁棒性（干扰、状态扰动）与安全性（越权、提示注入）；基准如 GAIA、WebArena、SWE-bench、τ-bench，辅以人工评审与自评（LLM-as-judge）。
用于智能体产品上线前的质量门禁、模型选型（Claude/GPT/国产模型对比）与持续监控；企业以"任务集+评测脚本"建立智能体回归测试体系。
相关词条：Agent Harness · Agent · 思维链 · AgentOps · 反射机制