第81篇：Vibe Coding时代：LangGraph + Eval评估体系实战，解决 Agent 优化全靠感觉的问题

一、问题场景：Prompt 改了，工作流升级了，但到底有没有变好？

做 AI Coding Agent 最容易出现一种情况：

今天改 Prompt 明天换模型 后天加一个 Review 节点 大后天又把 RAG 上下文加长

每次改完都觉得“好像更智能了”。

但上线后才发现：

1. 成本变高了 2. 成功率下降了 3. 代码变复杂了 4. 测试通过率变低了 5. 安全审查误杀变多了 6. 用户等待时间变长了

问题根源是：

Agent 没有评估体系，优化全靠主观感觉。

真实工程里，任何核心流程升级都应该先跑评估集。

本文解决的问题是：

如何给 LangGraph Coding Agent 建立 Eval 评估体系，用固定任务集评估不同 Prompt、模型和 workflow 版本的效果。

二、Eval 要评估什么？

一个 Codin