一、为什么 Agent 评测比 LLM 评测更难？ 传统 LLM 评测（现在当然更复杂维度更多元化）关注的是文本生成质量——回答是否流畅、事实是否正确、格式是否合规。但 Agent 是一个完整的系统，它要自主决策、调用工具、与环境交互、在多轮对话中保持状态。这意味着：  不能只看最终输出，还要看中间过程是否合理（中间过程非常重要） 不能只看单次执行，还要看重复执行是否稳定 不能只看功能正确性，还要看性能、成本、并发能力 不能只在单一场景测试，还要覆盖工具调用、长上下文、多轮对话等维度（工具调用的能力评测也是目前的难点与重点）  LLM 评测像测发动机，Agent 评测像测整车——必须综合考察在...

感觉自己还是挺狗运的，比不上牛客这些双非大佬随便秒终于戴上红围脖了，xdm 加油

说实话，我自己也没想到会走到这一步如果你翻我两年前的帖子，也会觉得我的简历很杂做过：HR、写过稿、运营过新媒体，策划过各种活动，面试官看我简历大概会想：这人到底想干啥？我自己也不太知道，反正就是什么都投，广撒网，先上岸再说。（我也真的准备过四个方向的简历）25年10月底我签了一家某行业的头部公司做大客户销售，拿到offer后公司推出了第一款大模型产品，也是全行业内第一个涉足大模型的公司。我当时的心情很微妙，有点懵，但也兴奋；因为我其实很早就在自己瞎摸索GPT，Claude，AI相关的东西了，只是没想到这玩意儿这么快就落到我工位上了。运气？是的。但我自己也没完全闲着，就这样，50%的努力加上50...