标签
一篇面向工程师的深度文章，系统讲解如何对 LLM 智能体进行评估：通过检查可验证的最终状态而非回复文本来判定任务是否完成，并区分能力（capability）与可靠性（reliability）两个指标，同时定位失败步骤、判断模型评审的可信度。