智能体评测

智能体评测的难点在于传统静态基准难以衡量多步交互中的动态决策质量，当前社区关注的维度包括任务完成率、工具调用的准确性、长期规划的一致性以及对抗环境下的鲁棒性。

在智能体多轮工具调用场景中比较成绩时，应同时参考任务成功率和总生成 token 数，而非仅看 headline 分数。