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。

本研究提出了Pass@K策略优化(PKPO)方法，解决了传统强化学习算法在样本独立优化中多样性不足的问题。该方法通过优化pass@k性能，提升了复杂任务中的学习能力。