AI 智能体评测是什么，以及如何编写

EvalShift 博客文章解释了 AI 智能体评测与 LLM 评测的区别：LLM 评测只看单次回复，智能体评测要检查整次运行中的工具调用、参数、留下的状态和最终回复。文章介绍了代码、模型、人工三类评分器，并给出从真实失败案例出发、以结果定义成功、多次运行报告 pass^k、冻结套件接入 CI 的七步编写流程，附退款场景的 Python 评分示例。