评估 Agent

评估模型、Prompt、工具、权限、记忆、编排和环境组成的 Agent 系统。帮助研发与测试定义质量、发现评估盲区、比较变化和纠偏结论；不负责搭建评测平台，不用模型榜单或单次 Judge 分数代替产品质量。

选择任务分支

• 设计测试： 尚无可信的 Agent 测试方案；
• 审查现有评估： 已有案例、指标、Judge、脚本或报告，需要判断是否测对；
• 比较版本： Prompt、模型、工具、Skill、权限或编排发生变化；
• 分析失败： 已有 trace、产物或环境状态，需要定位失败环节。

沿用用户请求的分支和停止边界。已有平台或日志就读取其证据；没有时输出工具无关的测试设计。实际运行仍需对应授权和可用环境。

1. 固定质量主张与系统版本

说明本轮要支持的判断及证据使用者，例如能否完成退款、候选 Prompt 是否改善、当前评估是否可信。记录用户任务、目标版本、模型与推理设置、Prompt／Skill、工具 schema、权限、记忆、编排、环境、数据和预算。

区分模型能力、当前 harness 和目标产品；benchmark 排名只能作为其任务与配置下的旁证。