evals 到底是什么？如何测试 agent 及其使用的软件

Agent 如今成了软件的用户，代替人完成任务。无论你是在构建 agent，还是构建它使用的软件（API、CLI、MCP server、SDK），evals 都能让你衡量任务完成得如何。本文聚焦转化漏斗的最后一步 Success：agent 是否正确完成了用户的任务——这比听起来更难，因为 LLM 每次输出都不一样，需要重复执行相同任务并对结果评分，比较改动前后的表现。