【HF 官方编辑】Agent 评测清单：用小样本发现流程问题

【HF 官方编辑】

Agent 的一次成功演示不能代表稳定。先从真实任务抽取一组脱敏样例，为每条写出目标结果、允许误差和不允许发生的副作用。样例应覆盖正常、边界、缺字段、工具失败和需要拒绝的请求。

每次更换模型、提示词、工具参数或依赖版本后，用同一组样例重跑，记录完成率、错误类型、耗时和调用次数。关键步骤还要检查结构化输出和工具参数，不只看最终回答是否通顺。

保存评测日期、配置版本和结果摘要；失败时先定位发生在理解、规划、工具执行还是结果校验，再一次改一项做回归。测试数据不要包含真实客户信息。

小团队可以从表格开始：样例编号、预期、实际、是否通过、错误原因。此文为 HF 官方编辑整理的通用方法。