SKILL
agent-evaluation
测试和基准评估 LLM 代理，涵盖行为测试、能力评估、可靠性指标和生产监控；即使表现最好的代理，在真实环境基准中的成功率也可能低于 50%。适用于代理测试、评估、基准比较和可靠性检查。
译文已校对查看英文原文
Testing and benchmarking LLM agents including behavioral testing, capability assessment, reliability metrics, and production monitoring—where even top agents achieve less than 50% on real-world benchmarks Use when: agent testing, agent evaluation, benchmark agents, agent reliability, test agent.
适用对象：学习与科研。自动收录 · 待核查。
在 Codex 中使用
该组合的专门教程待补充，尚未核实适配。
准备条件
- 本条仅收录原作者的技能元数据；请阅读完整说明，确认依赖、许可与使用条件。
选择已有说明的 AI 工具，或在页面加载后保存待办及提出教程请求。
查看原作者说明 ↗