Eval（评估） 评测与工程
别名：
评估
给 AI 系统写的测试：给定输入，用判定逻辑检查输出，衡量成功与否。Agent 是概率系统，没有评估就是盲改——改一行提示词可能修好一个任务、弄坏另一个。见[第 13 章](/chapters/13-eval-basics/)。
它是什么
Eval（评估）是给 AI 系统写的测试：给定一个输入，用判定逻辑检查它的输出，衡量成功与否。Agent 是概率系统——提示词、模型、工具、上下文任何一环的改动，都可能让一部分任务变好、另一部分悄悄变坏，而且往往在你看不到的地方（第 13 章开场反例：改一行「要简洁」的 prompt，修好了啰嗦、弄坏了查景点）。没有评估就是盲改。
最小模型
评估的最小模型三件套：任务集（固定、可判定的成功标准）+ grader（规则优先，规则表达不了的维度才上 LLM-as-judge）+ 跑批汇总（改动前后各跑一遍同一批任务，用通过率与失败模式分布对比回归）。核心洞察是判题对象是 trace 而不是最终答案：轮数、工具调用、工具结果都是可观察行为，「答案对了但烧了 6 轮」这种失败，只看答案永远发现不了。
在本教程的位置
第 13 章手写完整的最小 harness：ruleGrader（contains / tool_called / tool_args 三类断言）、classifyFailure（planning / tool / efficiency 三桶 + 确定优先级）、runEval（跑批 + 汇总报告）。写完的这套东西就是后续章节产品的质量闸门：每加一个能力，先跑一遍任务集确认没弄坏旧行为。