Agent Evals 指南：自评 95 分的评测为何不可信

作者在阅读 46 份关于 Agent 评测的资料后撰写了系统指南，分析 Agent 在自写评测中取得 95% 高分仍不可信的原因。文章梳理了如何设计能够暴露真实弱点的评测集，并介绍了 Agent 评测中的常见误区。