本清单面向希望了解国内外前沿 Agent 评测技术与实践的工程师与初学者。按发布机构整理，附带链接、一句话说明与推荐指数。
这个索引的起源是我收藏了不少评测文章。看了不少后，发现其实重要的核心内容其实就那些，只是每篇文章站在不同角度，就能产出大量的技术文章。
于是我试着找出这些文章中真正从小白到技术专家都值得追踪的那部分。
――――――――――――――――――――――――――――――――――――――
Anthropic
《Demystifying evals for AI agents》（2026-01-09）
｜推荐指数：★★★★★
https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents
【体系全景与基准规范】入门必须先读的第一篇，顶层方法论标准，为整个评测体系奠定了基调。
《Tips from Anthropic on building agent evals you can trust》（2026-07）
｜推荐指数：★★★★
https://arize.com/blog/anthropic-tips-how-to-build-evals-you-can-trust/
【Arize 联合访谈工程落地实操】一线算法专家的实操问答。
LangChain
《Evaluating AI Agents at the Run, Trace, and Thread Level》（2026-06-23）
｜推荐指数：★★★★★
https://www.langchain.com/resources/agent-evals
【体系全景与基准规范】最适合理解复杂多轮问答任务怎么评测的文章。
《LangSmith: Evaluate a complex agent》（官方动态教程）
｜推荐指数：★★★★
https://docs.langchain.com/langsmith/evaluate-complex-agent
【工程落地与平台实操】教你真正动手写 Python 代码做评测的实操指南。
――――――――――――――――――――――――――――――――――――――
Sierra
《τ-bench 智能体评测体系（Tau-bench）》（2024-06 持续维护）
｜推荐指数：★★★★★
https://taubench.com
【体系全景与基准规范】国外最权威的企业级真实agent评测标杆。
开源了专门针对 AI Agent（智能体）领域的 τ-bench（Tau-bench）系列评测体系，是现在顶尖大模型评估自身“企业业务落地能力”能力的核心参考依据。
τ-bench平台：https://taubench.com，可以看到
·τ-bench系列评测模型排行榜（Leaderboard）
·各种模型的评测日志的逐步解析视图
·获取整个评测体系开源用例与环境接入。
――――――――――――――――――――――――――――――――――――――
OpenAI
《Evaluation best practices》（官方动态文档）
｜推荐指数：★★★★
https://developers.openai.com/api/docs/guides/evaluation-best-practices
【体系全景与基准规范】官方出的测试基本规范。
《Build an Agent Improvement Loop with Traces, Evals, and Codex》（2026-05-12）
｜推荐指数：★★★★
https://developers.openai.com/cookbook/examples/agents_sdk/agent_improvement_loop
【工程落地与闭环流水线】带完整代码的实操教程。
《Testing Agent Skills Systematically with Evals》（2026-01-22）
｜推荐指数：★★★
https://developers.openai.com/blog/eval-skills
【局部专项测试】教你单独测试某一个特定功能或工具的方法。
Langfuse
《Evaluation overview》（官方动态文档）
｜推荐指数：★★★★
https://langfuse.com/docs/evaluation/overview
【工程落地与平台基建】适合想自己搭建免费开源测试平台的人看，清楚展示了测试题管理、线上线下打分、人工检查数据的流转过程。
――――――――――――――――――――――――――――――――――――――
国内大厂技术分享（公众号）
美团技术团队
《Agent评测漫谈 —— 由浅入深讲解Agent评测》（2026-08-06）
｜推荐指数：★★★★
【科普导读与认知基础】非常适合小白入门的科普导读。
《〈Agent 评测白皮书〉系列01：Agent 评测全览》（2026-09-10）
｜推荐指数：★★★★★
【体系全景与工程落地闭环】国内写得最全面清晰的真实大厂方案，完整讲透了从一开始怎么定测试标准、到系统上线怎么监控、再到怎么把线上做错的数据自动抓回来重新测试的整套工程流程。
阿里 AliExpress
《AI Agent 应用精细化评测：评测体系设计与工程实践》（2026-07-21）
｜推荐指数：★★★
【体系全景与基准规范】时间要早于美团，当时虽没形成完整评测loop，但体系指标论述结构清晰，值得看。
《工具型 Agent 的分层评测方法与机制验证》（2026-09-04）
｜推荐指数：★★
给上一篇7月的评测文章打的补丁，补上了评测的工程闭环，体系全景性不如美团，且有明显的AI 辅助理论包装痕迹。
腾讯技术工程
《AI Agent & Skill 测评方案及落地实践》（2026-6-16）
｜推荐指数：不推荐
列一堆形而上的指标维度以及方法，对实际评测指导不大，可能有少数有价值的实现细节，但不适合作为了解评测体系全景的文章来看。
《一篇讲透Agent自进化飞轮怎么搭：评测→记忆→落地→控制》（2026-8-26）
｜推荐指数：不推荐
理论大于实践，AI味儿过重，看不太出真人的真实思考与实践。
