Ankur

现场调查显示，绝大多数人凭感觉验证智能体，配置评估体系的人较少，而自认评估覆盖足够能放心迭代的人寥寥无几。

标准智能体改进流程包括：发现生产问题→找到对应Trace→抽样形成数据集→分析根因→设计方案→构建评估→跑实验→上线，然后循环。

将Trace数据、已有评估结果、人工标注、APM监控日志和代码库汇聚到编码智能体（如Claude Code、Cursor、Codex）面前，可自动完成大部分排查工作，将原本以天计的过程压缩到分钟级。

韩国股票查询案例中，基线通过率为0%，第一轮归一化国家名称无效，更新工具版本后第三轮迭代通过率提升到约90%。

评估的核心价值在于防止性能回退，因为提示词可能因模型更新或用户提问方式变化而效果下滑，没有评估则无法感知退化。