编程开发
给 Agent 建立可靠的评测集
用真实任务、轨迹和失败类型衡量智能体是否真的变好。
OUTCOME
先看最终成果
一个可重复运行、能定位失败原因的 Agent 评测方案。
STEP BY STEP
跟着步骤完成
- 01
明确边界
收集代表性真实任务
- 02
建立流程
定义结果和过程评分标准
- 03
执行与留痕
建立基线并记录完整轨迹
- 04
验证结果
分析失败簇而非只看均分
PROMPT
可直接使用的提示词
围绕{{Agent 功能}}设计评测集。给出任务分层、测试样例格式、成功标准、过程指标、基线、人工评分规则和失败分类；避免只使用模型自评。把双大括号中的内容替换为你的真实信息。先补足上下文，再追求表达效果。
QUALITY CHECK
交付前检查
- 输入材料和任务边界已经明确
- 关键判断能够回到真实证据
- 高风险动作保留人工确认
- 结果满足预先定义的验收标准
SOURCE
来源与改编说明
原始技能Agentic Eval
- 仓库
- github/awesome-copilot
- 作者
- GitHub 社区贡献者
- 许可证
- MIT License
- 参考日期
- 2026-09-30
本站依据原技能的任务边界和工作流重新整理为中文实践教程，并非原项目官方译文。