agent-evaluation

测试和基准测试LLM代理，包括行为测试、能力评估、可靠性指标和生产监控——即使顶级代理在现实世界基准测试中也难以达到50%。适用于代理测试、代理评估、基准代理、代理可靠性、测试代理等场景。