本文探讨Agent系统评测难题：传统软件调用链编译期确定，而Agent工具调用运行时涌现，缺乏绝对正确性参照。核心挑战是任务目标不可计算，需用代理指标近似，但方向可能偏差。工程策略非求解而是约束：用确定性DAG骨架封装不确定性，为Skill定义多维评估向量，并插入可判定的Reflection Gate。最终目标非全局最优，而是预算内“足够好且可解释”的满意解，强调可靠性胜过聪明。