本文介绍如何评估AI生成的代码，强调不能仅因代码运行就信任。核心方法包括：先写测试定义正确性、构建黄金数据集作为回归测试、多次运行测量可靠性、人工审查安全性和边界情况、将提示词变更视为代码变更并版本控制。最终建议将AI输出视为外部输入，通过快速验证而非盲目信任来确保代码质量。

本文探讨了评估代理人工智能系统性能的方法，强调与传统语言模型评估的区别。评估框架包括任务成功、工具使用质量、推理一致性和成本效益四个维度。有效评估需建立黄金数据集，并结合自动化、人工和混合评估方法，以确保代理在实际应用中的可靠性。