智能体面试准备（十一）：Agent 评估体系——轨迹、工具选择与成功率的量化方法

前面十篇把 Agent 的构建讲了个遍：ReAct、工具调用、规划、记忆、多智能体、编排、Agentic RAG。但一个尖锐的问题一直悬着：你怎么证明你的 Agent 变好了？上一篇结尾埋的"轨迹级评估指标"伏笔，今天正式展开。

这个主题在面试里的杀伤力被严重低估。很多候选人能把 Agent 架构讲得天花乱坠，一句"你们怎么评估的"就哑火了——要么答"人工看效果"，要么把 LLM 评估那套（MMLU、C-Eval）直接搬过来。而 Agent 评估恰恰是生产化的命门：没有评估，每次改 prompt、换模型、加工具都是在赌博。

一、为什么 Agent 评估比 LLM 评估难一个量级

LLM 评估是"一问一答对答案"：输入固定、输出单步、答案唯一或有参考。Agent 评估的困难在于它的过程性：

1. 多步且路径不唯一：同一个任务，先查天气再订酒店，或先订酒店再查天气，都可能是对的。不能用单一标准路径去对齐。
2. 非确定性：同一个 Agent 跑同一个任务两次，轨迹可能完全不同。单次通过说明不了什么，必须引入 pass@k / pass^k 这类多次采样指标。
3. 结果对≠过程对：Agent 可能靠猜蒙对了结果，过程中却调错了三次工具；也可能过程完美，最后一步格式化输出出错。只看结果会奖励侥幸、惩罚"差一点的优秀"。
4. 环境副作用：Agent 会真实地发邮件、改数据库。评估必须在沙箱里做，环境本身的搭建成本就不低。

一句话总结给面试官：LLM 评估是批改一道题的答案，Agent 评估是给整场驾照路考打分——不仅看有没有到终点，还要看每个动作是否规范。

二、评估的三个层次：结果、轨迹、单步

这是本篇的核心框架，建议整体记忆：

轨迹级是重点中的重点。常用的轨迹对比模式有：精确匹配（动作序列完全一致，最严格）、顺序匹配（关键动作按序出现，允许插入冗余步骤）、集合匹配（关键动作都出现即可，不管顺序）、前缀匹配（衡量"走对了多远"）。实践中顺序匹配和集合匹配最常用，因为它们容忍合理的路径多样性。

单步级里最重要的是工具调用四连环：该不该调工具（decision）→ 调哪个工具（selection）→ 参数填得对不对（parameterization）→ 结果用得对不对（utilization）。四个环节各自都能出错，分开统计才能知道该修 prompt、改工具描述，还是换模型。

再补一组容易被忽略的效率与成本指标：平均步数、token 消耗、端到端延迟、单任务成本。两个 Agent 成功率都是 90%，一个平均 5 步一个平均 15 步，生产上是天壤之别。

三、谁来打分：规则、LLM 裁判与人工

生产共识是三层漏斗：能用规则判的绝不用 LLM，LLM 裁判定期抽样与人工对齐校准。用 LLM 裁判必须报告它与人工标注的一致率（如 Cohen's kappa），否则"裁判本身不可信"这一追问就接不住。LLM 裁判还有已知偏差要主动提：位置偏差（偏向先出现的答案）、长度偏差（偏向更长的输出）、自我偏好（偏向同族模型的文风）——缓解手段是交换顺序取平均、明确评分 rubric、用异族模型做裁判。

行业基准可以点名几个增加可信度：SWE-bench（真实 GitHub issue 修复）、WebArena（网页操作）、τ-bench（对话式工具调用，提出 pass^k 衡量稳定性）、AgentBench（多环境综合）。注意 τ-bench 的 pass^k 与常见 pass@k 方向相反：pass@k 是 k 次里至少成功一次（衡量能力上限），pass^k 是 k 次全部成功（衡量稳定性下限）——生产系统更该看后者，这个辨析是高分点。

四、可运行代码:一个迷你 Agent 评估器

下面实现一个不依赖任何框架的轨迹评估器，覆盖三层指标：结果成功率、轨迹顺序匹配、工具选择/参数准确率，并输出 pass^k。可直接运行体会"评估器本身也是代码资产"：

import json from dataclasses import dataclass, field @dataclass class Step: tool: str args: dict @dataclass class Trajectory: steps: list # list[Step] final_answer: str success: bool # 端到端结果（由规则断言得出） def order_match(traj_tools, ref_tools): """顺序匹配：参考关键动作是否按序出现在轨迹中（允许插入冗余步骤）""" it = iter(traj_tools) matched = sum(1 for r in ref_tools if r in it) # 消耗式按序查找 return matched / len(ref_tools) if ref_tools else 1.0 def step_accuracy(traj: Trajectory, ref_steps: list): """单步级：工具选择与参数填充准确率（按参考步骤逐位对齐）""" tool_hit = param_hit = 0 for i, ref in enumerate(ref_steps): if i < len(traj.steps) and traj.steps[i].tool == ref.tool: tool_hit += 1 if traj.steps[i].args == ref.args: param_hit += 1 n = len(ref_steps) return tool_hit / n, param_hit / n def evaluate(runs: dict, references: dict): """runs: {task_id: [Trajectory, ...]} 同一任务跑 k 次 references: {task_id: list[Step]} 参考轨迹（关键动作）""" report = {} for task_id, trajs in runs.items(): ref = references[task_id] k = len(trajs) succ = [t.success for t in trajs] report[task_id] = { "pass@k": any(succ), # 至少一次成功：能力上限 "pass^k": all(succ), # 全部成功：稳定性下限 "success_rate": sum(succ) / k, "avg_steps": sum(len(t.steps) for t in trajs) / k, "order_match": sum(order_match([s.tool for s in t.steps], [s.tool for s in ref]) for t in trajs) / k, "tool_acc": sum(step_accuracy(t, ref)[0] for t in trajs) / k, "param_acc": sum(step_accuracy(t, ref)[1] for t in trajs) / k, } return report # ---- 模拟：任务「查北京天气并保存到文件」跑 3 次 ---- ref = {"t1": [Step("get_weather", {"city": "北京"}), Step("write_file", {"path": "weather.txt"})]} runs = {"t1": [ Trajectory([Step("get_weather", {"city": "北京"}), Step("write_file", {"path": "weather.txt"})], "已保存", True), Trajectory([Step("search_web", {"q": "北京天气"}), # 冗余但走通 Step("get_weather", {"city": "北京"}), Step("write_file", {"path": "weather.txt"})], "已保存", True), Trajectory([Step("get_weather", {"city": "上海"})], "查错城市", False), ]} print(json.dumps(evaluate(runs, ref), ensure_ascii=False, indent=2))

输出里能清晰看到：pass@k 为 True 而 pass^k 为 False——这个 Agent"有能力但不稳定"；第三次运行的 param_acc 掉到 0 暴露了参数幻觉（城市填错）。指标组合起来才能讲出诊断故事，这正是轨迹级评估的价值。

五、评估驱动开发：把评估放进 CI

最后升华一层：成熟团队把 Agent 评估当作回归测试——沉淀一个任务集（含参考轨迹与断言），每次改动（换模型/改 prompt/加工具）都全量跑一遍，指标下降就阻断合并。配合上一篇讲的可观测性埋点，线上 bad case 持续回流进评估集，形成"线上发现→入集→修复→防回归"的飞轮。面试收尾抛出这套"评估即 CI"的工程观，基本能把这个话题聊成加分项。

答题框架回顾：为什么难（四点）→ 三层指标（结果/轨迹/单步 + 效率成本）→ 谁打分（规则/LLM 裁判/人工三层漏斗 + 裁判偏差）→ pass@k vs pass^k 辨析 → 评估即 CI 收尾。

下一篇 B12 是本系列第一篇纯实战：从零写一个完整可运行的 ReAct Agent，把前面所有理论落成一份能跑、能测、能讲的代码——面试带着它去，比十页简历都有说服力。