Google 官方：如何真正评测 AI 智能体，告别凭感觉检查

Google 开发者博客发布 AI 智能体评测方法指南，主张用可重复的评测体系取代终端里跑几条提示词看输出的凭感觉检查。文章提出以关键用户旅程定义成功标准、用 ADK 用户模拟器生成初始数据集、从单元测试到集成测试分四层度量，并列出四个常见陷阱：删除测试破坏基线、用模糊的 1 到 5 分评分、只看文本不看延迟与 token 成本、为不同框架重写评测管线。