如何评估 AI 智能体：告别“凭感觉”检查

针对 AI 智能体可能陷入重试循环、狂烧 token 却仍返回看似合理答案的隐性故障，文章提出用可重复的评估体系取代“凭感觉”检查。核心做法是以关键用户旅程（CUJ）定义成功标准，借助 ADK 用户模拟器生成合成场景，并叠加单元测试、确定性指标、LLM-as-a-judge 评分与集成测试四层检查。文章还提醒避免删除测试破坏基线、用模糊的 1-5 分评分等陷阱。