美团技术团队发布《Agent评测白皮书》连载，首篇为评测全览。文章指出Agent评测应作为上线闸门，而非考卷，需关注失败状态、重试幂等、人工接管和日志可还原性。冷启动阶段应划定能力边界，明确能查、能改、能建议和必须停止的情形。扩量后维护成本上升，评测应像回归测试，拆细事实、工具调用、越权和可解释性标准，而非压成总分。建议小团队先用真实工单做可重复用例，接入日志告警，逐步放开权限。