Google 用 Agents CLI 评测循环提升智能体质量

Google Developers Blog 演示了 Agents CLI 的 eval 评测循环：用 eval generate 和 eval grade 跑基线，四用例平均分 4.0；误换厨师人设提示词后降到 2.75，eval compare 的逐用例对比显示 sf_weather 因不再调用天气工具而丢分。