Agent评测精选技术文章索引

收藏了一堆 Agent 评测文章，看完发现核心就那么点东西。换个角度就能水一篇，干脆把真正值得看的扒出来。

入门先看 Anthropic 那篇《Demystifying evals》，这是整个评测体系的基调。LangChain 的评测指南最适合搞懂复杂多轮问答。想看企业级标杆，直接去刷 Sierra 开源的 τ-bench，连排行榜和日志解析都有。

动手写代码，OpenAI 的 Codex 教程带完整代码。想自己搭免费平台，Langfuse 把数据流转讲得特清楚。

国内大厂，美团技术团队的白皮书最硬核。从定标准到线上监控再到自动抓错数据，整套工程闭环全讲透了。阿里两篇也能参考。