建立可持续的 Agent 评测体系 | 柠萌的生活日记

评测应覆盖最终结果、过程质量、安全边界与成本。

问题背景

生成式模型擅长处理模糊语言和提出候选方案，却不天然保证状态一致、权限正确或动作可恢复。讨论“建立可持续的 Agent 评测体系”时，重点不应只是跑通演示，而是系统失败后是否知道发生了什么、能否安全继续，以及结果能否重复验证。

设计方案

用真实失败样本构建版本化数据集，确定性检查与人工抽检结合。

在“分层评测集”进入实现前，先标注输入来源、调用身份和数据等级；输出通过结构与领域校验后才允许进入下一步。涉及外部副作用时，执行记录必须包含稳定业务键和脱敏证据。

实施产物：分层评测集

分别评测最终答案、工具轨迹、规则遵循和成本；样本保存期望约束而非唯一措辞；线上失败脱敏后进入回归集。先在测试环境保存一条完整运行证据，再接入真实写操作；每次变更都必须能定位到配置、代码和数据版本。

practice:
  id: harness-evaluation
  artifact: "分层评测集"
  owner: platform-team
  timeout_seconds: 30
  failure_mode: fail_closed
  audit: required

示例只表达边界，不是可直接复制的完整框架配置。落地时应使用当前依赖版本的官方 API，并把超时、身份和审计接到现有基础设施。

实施步骤

1. 选一个可回放的小任务，写清输入、成功条件和禁止发生的副作用。
2. 实现“分层评测集”，把模型建议与真正执行隔离。
3. 人工走通成功、拒绝和恢复三条路径，保存 run_id 与关键事件。
4. 加入自动化回归，再用小比例非关键流量观察指标。
5. 达到门槛后逐步放量；任一安全约束失败立即停止新任务并回退版本。

失败演练与验收

首要反例是：只让另一个模型打总体分。不要只验证顺利完成；还要注入超时、重复请求、取消、无权限输入和依赖返回畸形数据。

本篇的硬性验收是：固定模型与版本重复运行，关键约束通过率达到门槛。同时记录 约束通过率、回归失败数、单任务成本。验收脚本应按结构化字段判定，不以“回答看起来合理”代替测试。

上线与回滚

“分层评测集”上线前要固定模型、提示、规则、工具 schema 与数据版本，并用影子或灰度流量比较旧版。若 约束通过率、回归失败数、单任务成本 越过门槛，先停止新 Run，再处理在途任务，恢复旧组合后逐项核对未决副作用。

适用边界

当场景是“没有可复现输入的探索任务”时，这套设计的维护成本通常高于收益。权限、金额、删除和一致性约束始终交给确定性代码，不能交给模型自行判断。

从能力到风险分层评测

层级	评什么	判定方式
路由	是否选对流程并正确停止	精确标签
结构	schema、引用、字段完整性	确定性校验
工具	参数、顺序、次数、授权	轨迹断言
结果	任务事实正确且可验证	参考答案/领域校验
安全	注入、越权、敏感数据	零容忍约束

数据集按任务类型、难度、语言、租户和风险分层，保留线上失败但移除敏感信息。训练/调参集与最终保留集分离，任何看过保留答案的提示修改都算污染，需要新样本。

模型评分只用于确实需要语义判断的维度，并用人工标注集校准；权限、副作用、JSON 和数值结果使用确定性判定。重复运行报告均值、方差和最差分位，固定模型快照、提示、工具与随机种子。发布门禁同时比较质量、成本、延迟与安全：总体分上涨但高风险用例退化仍然阻断。

新版本先离线回归，再影子真实流量，最后小比例灰度。每个失败输出样本 ID、版本组合和工具轨迹，能一键重放；不要只保留聚合分数。

第二轮实践复核

围绕“分层评测集”建立一个不接触生产数据的最小项目，固定运行时、框架、模型、提示、规则和工具 schema 版本。正文代码块若缺少完整依赖、导入或领域类型，应视为架构伪代码；只有放入示例仓库并通过下述命令的代码才标记为可运行。

• 项目验证：运行项目既有的 schema 校验、契约测试与离线评测命令
• 回归夹具：把输入、结构化输出、工具轨迹和副作用记录为 JSON，用固定版本执行正常、拒绝、超时、取消与重复请求五组回归样本。
• 必留证据：run_id、版本组合、终止原因、动作幂等键，以及 约束通过率、回归失败数、单任务成本。
• 通过条件：未批准写操作为零副作用；相同幂等键重复执行只产生一个业务结果；超时或恢复后状态可解释。
• 失败处理：先停新任务，再核对在途动作；回滚模型、提示、规则、工具与状态迁移的完整组合，不能只换回模型。

复用顺序

1. 为“建立可持续的 Agent 评测体系”建立确定性假工具，先跑契约与失败用例，不接触真实凭据。
2. 围绕“分层评测集”接入只读能力，核对权限裁剪、脱敏字段和 Trace 完整性。
3. 需要写能力时先输出 dry-run 差异，再绑定审批结果与一次性动作哈希。
4. 以本文验收指标比较影子流量；达到门槛才放量，越线立即执行文中的组合回滚。

实践与资料复核日期：2026-08-22；框架 API 以锁定版本的官方文档为准。

参考资料

• 官方文档

框架 API 会持续演进，复制示例前应再次确认当前版本。可持续的 AI 工程不依赖某个模型偶尔表现出色，而依赖清晰契约、可靠 Harness 与可重复验证。