Google 发布 AI 智能体评测指南与工具包

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在终端里跑几条提示词看输出的凭感觉检查。指南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。 Google 同时开源了 agent-eval 工具包，称克隆后可直接搭建数据集、采集 trace 并生成诊断用 HTML 报告；该工具包将 OpenTelemetry trace 采集与 Gemini 平台（原 Vertex AI Evaluation）上的 Agent Evaluation 服务配对，Google 称可在数小时内搭起评测管线。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。