文章目录D18 | Agent 评估与调试：怎么知道你的 Agent 好不好用？写在前面一、Agent 评估的 3 大维度1.1 维度 ①：质量（Quality）1.2 维度 ②：成本（Cost）1.3 维度 ③：性能（Performance）1.4 4 维核心指标二、Eval 集怎么建：50-100 个测试 case2.1 Eval 集长啥样2.2 怎么建 Eval 集（3 步）Step 1：列场景Step 2：每个场景写 2-3 个 queryStep 3：标注期望2.3 Eval 集设计 3 原则原则 1：覆盖度原则 2：真实性原则 3：可维护三、Agent 调试 3 件套3.1 工具 ①：Trace（完整执行过程）3.2 工具 ②：单步执行3.3 工具 ③：监控埋点3.4 可视化：LangSmith四、4 步调优法：60 分到 90 分实战4.1 起点：60 分4.2 调优 Step 1：修 Prompt4.3 调优 Step 2：少调 LLM4.4 调优 Step 3：限制工具4.5 调优 Step 4：换更好的模型4.6 最终：90 分五、自动化评估：CI/CD 跑回归5.1 Eval 集 + 自动化5.2 回归测试5.3 评估报告六、常见错误及调优6.1 错误 ①：AI 选错工具6.2 错误 ②：AI 死循环6.3 错误 ③：成本失控6.4 错误 ④：响应太慢七、这一篇的小结7.1 5 个 Key Takeaway7.2 决策树7.3 思考题模块 4 收官下篇预告D18 | Agent 评估与调试：怎么知道你的 Agent 好不好用？系列：《60 天 AI 全栈转型：传统开发者的大模型工程师之路》（S1 模块 4 · Agent 实战 ⑤ ·模块 4 收官）作者：刘一说（haohaizi_liu）| 15 年开发管理经验配套代码：https://gitcode.com/road-emblem/60-days-ai-stack写在前面D14 我们讲了 Agent 是什么，D15-D16 讲了 Function Calling + 完整搭建，D17 讲了多 Agent 协作。但**“搭起来” ≠ “能用”**。真到生产你会立刻遇到：Agent 答非所问，怎么定位？不同 Prompt 哪个更好？升级模型后效果真的变好了吗？怎么知道我没改坏？没有评估的 Agent 就是裸奔。这一篇我们讲：3 大评估指标（正确率 / 成本 / 速度）Eval 集怎么建（50-100 个测试 case）调试 3 件套（trace / 单步 / 监控）4 步调优法（60 分到 90 分实战）自动化评估（CI/CD 跑回归）