我会看这几个指标：

• 成功率：同类任务跑多次，多少次能完成
• 返工率：完成后还需要人改多少
• 可解释性：失败时能不能知道卡在哪一步
• 成本：一次任务平均花多少 token 和时间
• 权限边界：会不会调用不该调用的工具
• 恢复能力：中间失败后能不能重试或降级

很多 Agent 看起来聪明，其实只是“偶尔很惊艳”。但产品里需要的是稳定，不是抽奖。

我比较喜欢给 Agent 做一组固定评测集，比如 20 个真实任务，每次改 Prompt、换模型、换工具后都跑一遍。不要凭感觉判断“好像变聪明了”，要看数据。

还有一点很重要：评测不要只看最终答案。中间步骤也要看。一个答案对了但过程乱来的 Agent，迟早会在更复杂的任务里出问题。