070-Agent评估070-Agent评估 010-评估体系总览 020-评估任务解剖与真实轨迹 030-成功率指标与Pass@k 040-评估环境五要素与类型框架 060-基准对照与验证器设计 070-任务难度与数据泄漏防范 080-评估集的质量控制与来源 090-Rubric与LLM评判 100-评判偏差与多模态评判 110-失败归因定位首个错误 120-端到端与轨迹前缀回归 130-配对比较与统计显著性 140-评估驱动的模型选型 150-Agent系统成本分析 160-可观测性与评估资产回流 170-从Benchmark报告到系统改进 180-内部评估基础设施 190-仿真环境与后训练桥梁