Agent评测不是跑通一次就完事，它的非确定性、黑盒化与错误级联让传统测试方法彻底失效。本文从产品经理视角出发，结合实战血泪经验，拆解如何构建体系化的Agent评测框架——从类型划分、指标定义到评测集设计，帮你把不稳定的智能行为收敛成可发布的工程质量。