热门场景 工作+AI 大模型提升全员工作效率 工作对话 内容创作 方案撰写 魔法菜单 业务+AI 大模型掌握企业知识与流程 微信分身 海外客服 官网客服 抖音客服 数字老师 数字督导 智能服务台 AIx业务 大模型驱动产品智能化改造 智能问数 智能审核 智能工单 企微跟进助手 智能报价 企微销售助手 应用智改 企微客服助手
落地咨询 Consulting AI生产力教练 了解更多 >
场景共创 Co-creation AI场景共创 了解更多 >
行业案例 政府央国企 政府央国企大模型落地应用案例 能源矿业 新能源与矿业大模型落地应用案例 电子科技 电子科技行业大模型落地应用案例 贸易流通 贸易流通大模型落地应用案例 制造行业 高端制造行业大模型落地应用案例 企科数服 企科数服行业大模型落地应用案例 生物医药 生物医药行业大模型落地应用案例 地产与消费品 地产与消费品行业大模型落地应用案例
场景案例 【智能问答】场景案例 让大模型掌握企业的知识和流程 【应用智改】场景案例 让大模型融入企业的产品和业务 【智能工单】场景案例 让大模型创建和受理业务工单 【智能问数】场景案例 与业务系统数据对话式互动
为什么你的 AI Agent“越改越差”？Anthropic 总结了 8 步评测方法
Anthropic亲测有效的AI Agent评测指南，帮你跳出越改越差的开发困境。 核心内容： 1. AI Agent评测的核心定义、关键概念与常见认知误区 2. 搭建评测体系的必要性，以及多家前沿团队的落地经验 3. 三类评分器的优劣对比与组合使用的行业最佳实践
你改了提示词，修好一个问题，结果另一个功能又坏了。你只能手动试、凭感觉猜，祈祷别再出事。
Anthropic 在工程博客里，把这种状态叫作 “flying blind”（盲飞） 。
他们写了一篇长文《Demystifying evals for AI agents》，总结了团队内部和前沿客户踩过的坑。这篇文章，我帮你拆成最实用的部分。
↗ 一、先搞懂：Agent 评测到底在测什么？
这里有个精彩的例子：订机票的 Agent 最后说“已为您订好”，但 真正的结果，是数据库里有没有这条订单 。
还有个有趣的插曲：Opus 4.5 在 τ2-bench 的订机票题里，发现了政策里的一个漏洞，给用户找到了更好的方案。按原评测它“失败”了，但其实它更聪明。
↗ 二、为什么一定要做评测？
Anthropic 自己的 Claude Code 就是这样走过来的：先快速迭代，后来才为“简洁度”“文件编辑”，再到“过度设计”这类复杂行为补上评测。
Descript 做视频编辑 Agent，把成功拆成三件事： 别搞坏东西、按我说的做、做得好 。Bolt 则是在拥有大量用户后，用 3 个月搭起评测体系。
↗ 三、三类评分器：怎么给 Agent 打分？
1. 代码评分器 ：字符串匹配、单元测试、静态分析、工具调用检查。快、便宜、客观，但对“合理的不同写法”很死板。
2. 模型评分器 ：基于评分细则、成对比较、多评委共识。灵活、能处理开放任务，但有随机性，需要用人工校准。
最佳实践是 组合使用 ：能用确定性的就用确定性的，必要时用 LLM，再用人工做校准。
↗ 四、不同类型的 Agent，怎么测？
编码 Agent ：最适合确定性评分。代码能跑吗？测试通过吗？SWE-bench Verified 一年内从 40% 涨到 80% 以上。之后还可以评估代码质量、工具使用方式。
对话 Agent ：要看结果状态（工单解决了吗）、过程约束（10 轮内完成了吗）、语气是否得体。常常需要 另一个 LLM 来扮演用户 。
研究 Agent ：没有标准答案，要组合多种检查：结论有没有来源支撑（groundedness）、是否覆盖关键事实、来源是否权威。
电脑操作 Agent ：在真实或沙盒环境里跑，检查后端状态。比如“订单是否真的生成”，而不只是“页面显示了确认”。
↗ 五、最容易被忽视的坑：非确定性
举个例子：单次成功率 75%，连跑 3 次都成功的概率只有 (0.75)³ ≈ 42% 。
↗ 六、从 0 到 1:8 步路线图
Step 0：尽早开始。 不需要几百个用例， 从真实失败中提炼 20-50 个简单任务 就是很好的起点。越晚做，越像是在对一个线上系统倒推成功标准。
Step 1：从你已经在手测的东西开始。 上线前手动检查的行为、bug 列表、客服工单，都是现成的用例。
Step 2：写没有歧义的任务，并附参考答案。 好任务的标准：两个领域专家独立判断，会得出相同的结论。
Step 3：正反两面都要测。 只测“该搜索时搜不搜”，会训练出什么都搜的 Agent。要同时测“不该搜索时别搜”。
Step 4：环境要干净稳定。 每次试验独立启动。Anthropic 曾发现 Claude 通过翻看上一次试验的 git 历史“作弊”。
Step 6：读 Transcript. 不读轨迹，你不知道评分器有没有冤枉好人。好的评测，失败应该“看起来公平”。
Step 7：警惕能力评测饱和。 一个 100% 的评测只能防回退，不能指导进步。
Step 8：让评测成为团队日常。 设专门团队维护基础设施，产品、客户成功甚至销售，都可以用 Claude Code 提交评测任务。
最让我震撼的案例：Opus 4.5 在 CORE-Bench 上一开始只有 42% 。后来发现评分过于死板（期望 96.124991，答 96.12 就被判错）、任务描述模糊。修复之后，分数跳到了 95% 。
↗ 七、评测不是万能的：瑞士奶酪模型
自动化评测快、可复现、无用户影响，但可能与真实使用脱节。生产监控能暴露真实问题，但已经触达了用户。A/B 测试、用户反馈、人工复盘，各有盲区。
最有效的组合是： 自动化评测做快速迭代，生产监控提供真实依据，定期人工评审做校准。
↗ 八、想上手？这些框架可以参考
↗ 写在最后
你的团队现在是怎么验证 Agent 质量的？是靠手测、靠用户反馈，还是已经有评测体系了？欢迎在评论区聊聊。
原文：Anthropic Engineering《Demystifying evals for AI agents》( https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents) 。本文为编译与改写，版权归原作者所有。
承诺 ：免费POC验证，效果达标后再合作。 零风险落地应用大模型 ，已交付160+中大型企业
欢迎您使用【53AI 官方网站】（以下简称“本网站”或“我们”）。本《会员服务协议》（以下简称“本协议”）是您（以下简称“会员”或“用户”）与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。
在您注册或登录前，请务必审慎阅读、充分理解各条款内容，特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时，即视为您已完全理解并同意接受本协议的全部内容。
本网站：指由【深圳市博思协创网络科技有限公司】运营的，域名为【53ai.com】的网站及相关移动端页面。
知识库内容：指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。
微信公众号授权登录：您同意将您的微信OpenID信息授权给本网站，用于创建或关联会员账号。
手机验证码登录：您需提供真实有效的手机号码，并通过短信验证码完成身份验证与登录/注册。
账号安全：您的账号仅限您本人使用，禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失，由您自行承担。
实名认证：根据相关法律法规要求，我们可能要求您在特定功能下完成实名认证。如您拒绝提供，可能无法使用部分或全部服务。
未成年人保护：若您未满18周岁，请在法定监护人的陪同下阅读本协议，并在征得监护人同意后使用本服务。
知识库查阅权限：会员登录后，有权按照其会员等级对应的权限范围，在线浏览、检索本网站知识库中的相关文章及内容。
服务变更：我们有权根据业务发展需要，调整、变更或终止部分服务内容，并将以网站公告、公众号消息等方式提前通知。
权利归属：本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有，受《中华人民共和国著作权法》等法律保护。
有限许可：本网站授予会员一项非独占、不可转让、不可转授权的普通许可，仅限于个人学习、研究之目的在线查阅知识库内容。
侵权追责：未经书面许可，任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现，我们保留追究其法律责任的权利。
我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息，请单独阅读 《隐私政策》。
您通过微信公众号授权或手机号验证所提供的信息，我们将严格按照《个人信息保护法》的规定处理，仅用于身份识别、服务提供及安全验证等必要用途。
您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。
内容准确性：知识库内容仅供参考，不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证，您应自行判断并承担使用风险。
不可抗力：因自然灾害、政策法规变化、网络故障、第三方平台接口异常（如微信接口维护、运营商短信通道故障）等不可抗力导致的服务中断或延迟，我们不承担违约责任。
第三方链接：本网站可能包含指向第三方网站的链接，该等网站的内容和服务不受我们控制，请您自行甄别风险。
如您违反本协议约定，我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施，并保留要求赔偿损失的权利。
如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失，您应承担全部赔偿责任（包括但不限于罚款、赔偿金、律师费、公证费等）。
因本协议产生的或与本协议有关的任何争议，双方应友好协商解决；协商不成的，任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。
我们对本协议享有最终解释权，并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效，继续使用服务即视为同意修订内容。