编者按：随着基于大语言模型的智能代理（LLM-based Agents）迅速走向实际应用，一个关键问题日益凸显：我们如何有效评估这些系统的真实能力？表面上的流畅对话或单一任务完成率已不足以判断Agent在复杂环境中的可靠性。本文深入剖析了Agent评估的全景图谱，从规划、工具使用、自反思到记忆等核心能力，再到Web、软件工程、科学研究等专业领域的特定评估方法，为开发者提供了一套全面的评估思路和实用
编者按：随着基于大语言模型的智能代理（LLM-based Agents）迅速走向实际应用，一个关键问题日益凸显：我们如何有效评估这些系统的真实能力？表面上的流畅对话或单一任务完成率已不足以判断Agent在复杂环境中的可靠性。本文深入剖析了Agent评估的全景图谱，从规划、工具使用、自反思到记忆等核心...