AI代理评估比单轮LLM更难，因多步推理与工具调用会累积错误。应分层评估推理、行动与执行结果，使用清晰可测任务和匹配的评分器（确定性、代码、模型、人工）。保持环境隔离、多次试验，关注pass@k与pass^k，并阅读对话记录。将评估自动化接入开发流程，结合监控形成持续反馈闭环。