TUM.ai 项目征询：如何将真实 AI 智能体工作流转化为评测集

TUM.ai E-Lab 的一名开发者在 Reddit 征询 AI 智能体评测工程方案，讨论应测内容、首批测试用例设计及正确结果定义。讨论还涵盖真实使用中的测试遗漏、由谁评判结果，以及问题出在系统而非评测数据时应如何调整。