Agent评测为什么比传统测试难 10 倍

生产环境中大模型 Agent 的系统化评测展开，指出传统“人工抽检 + 主观感觉”的方式已无法支撑快速迭代的 Agent 上线需求。文章提出 Harness 工程搭建式评测：用强 Agent 生成评测方案、评测集和评测 Agent Prompt，以 Prompt 替代传统 Python 评测脚本，从而显著缩短评测周期。