企业官网建设流程全解析

HelloAgents 第十二章：智能体性能评估实战——BFCL、GAIA 与数据生成质量评估全流程

【免费下载链接】hello-agents📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents

本文是《从零开始构建智能体》（HelloAgents）第十二章《智能体性能评估》的实战指南，围绕仓库 code/chapter12 目录下 9 个示例脚本展开。你将掌握 BFCL 工具调用评估、GAIA 通用能力评估，以及 LLM Judge / Win Rate 数据生成质量评估三大场景的完整操作流程，并理解每个评估背后的底层组件与最佳实践，能够直接复制代码为自己的智能体建立可量化的评估体系。

1. 为什么需要智能体评估：从基础示例说起

在 HelloAgents 框架中，我们已经拥有了具备推理与工具调用能力的SimpleAgent。例如 01_basic_agent_example.py 展示了这样一段典型用法：

from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.tools import SearchTool llm = HelloAgentsLLM() system_prompt = """你是一个AI助手，可以使用搜索工具来获取最新信息。 当需要搜索信息时，请使用以下格式： [TOOL_CALL:search:搜索关键词] 例如： - [TOOL_CALL:search:最新AI新闻] - [TOOL_CALL:search:Python编程教程] 请在回答问题前先使用搜索工具获取最新信息。""" agent = SimpleAgent(name="AI助手", llm=llm, system_prompt=system_prompt) agent.add_tool(SearchTool()) response = agent.run("最新的AI技术发展趋势是什么？") print(f"\n回答：{response}")

这个智能体可以正常工作，但我们立刻面临三个核心问题：

1. 当优化 Prompt 或更换 LLM 模型后，如何判断效果是否真的变好？
2. 在不同任务上，智能体的表现究竟如何？
3. 与其它智能体相比，它处于什么水平？

这些问题无法靠肉眼观察解决，必须借助系统化的评估（Evaluation）：用统一的测试数据集、统一的评分算法，把智能体能力量化为具体指标。与传统软件测试不同，智能体评估面临三个独特挑战：

• 输出不确定性：同一问题可能有多个正确答法，无法简单地用对/错判定；
• 评估标准多样性：工具调用要检查函数签名是否正确，问答任务要评估语义相似度，需要不同的评估方法；
• 评估成本高：每次评估都要消耗大量 LLM API 调用。

为此，学术界与工业界提出了多个标准化Benchmark，提供统一的数据集、指标与评分方法。HelloAgents 第十二章从中选择了三个最契合学习与实战的场景：

仓库 code/chapter12 中的 9 个示例脚本正是围绕这三类场景组织的，对应关系如下表：

2. 环境准备：三步完成评估前置条件

在运行任何评估示例之前，需要完成三项准备工作。

2.1 安装 HelloAgents 评估组件

pip install hello-agents[evaluation]==0.2.3

[evaluation]是 extras 依赖标记，会一并安装评估所需的 BFCL / GAIA 工具组件。如果开发环境下已经克隆了框架源码，也可以用可编辑模式安装：

cd ../HelloAgents pip install -e .

2.2 设置环境变量

# OpenAI API Key（用于 GPT-4o，也是默认评估/生成模型） export OPENAI_API_KEY="your_openai_api_key" # HuggingFace Token（用于 GAIA 数据集鉴权下载） export HF_TOKEN="your_huggingface_token"

两个变量的职责不同：OPENAI_API_KEY驱动评估过程中的 LLM 调用（GPT-4o），HF_TOKEN则用于从 HuggingFace 拉取 GAIA 受限数据集。

2.3 下载 BFCL 数据集（可选）

BFCL 数据集首次运行时通常会自动下载；如果下载失败或需要离线准备，可手动克隆官方仓库：

cd ../HelloAgents git clone https://github.com/ShishirPatil/gorilla.git temp_gorilla

克隆后，BFCL 测试数据位于temp_gorilla/berkeley-function-call-leaderboard/bfcl_eval/data目录（03_bfcl_custom_evaluation.py 中的BFCLDataset默认路径即指向此处）。

3. BFCL 评估：衡量智能体工具调用能力

BFCL（Berkeley Function Calling Leaderboard）由加州大学伯克利分校推出，包含 1120+ 测试样本，覆盖简单、多重、并行、无关调用等类别，采用 AST（抽象语法树）匹配算法判断函数调用是否准确。它是衡量智能体"会不会正确调用工具"的主流基准。

3.1 方式一：一行代码完成一键评估

02_bfcl_quick_start.py 展示了最简用法——通过BFCLEvaluationTool的run()方法，自动完成数据加载、评估、报告生成与官方评估：

from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.tools import BFCLEvaluationTool llm = HelloAgentsLLM() agent = SimpleAgent(name="TestAgent", llm=llm) bfcl_tool = BFCLEvaluationTool() results = bfcl_tool.run( agent=agent, category="simple_python", # 评估类别 max_samples=5 # 评估样本数（0 表示全部） ) print(f"准确率: {results['overall_accuracy']:.2%}") print(f"正确数: {results['correct_samples']}/{results['total_samples']}")

运行输出大致如下：

============================================================ BFCL一键评估 ============================================================ 配置: 智能体: TestAgent 类别: simple_python 样本数: 5 评估进度: 100%|██████████| 5/5 [00:15<00:00, 3.12s/样本] ✅ 评估完成 总样本数: 5 正确样本数: 5 准确率: 100.00% 准确率: 100.00% 正确数: 5/5

关键参数说明：

• category：BFCL 的评估类别，例如simple_python、multiple、parallel、irrelevance等；
• max_samples：抽取的样本数，设为0表示使用全部样本；用于快速验证时通常设为 5～10。

3.2 方式二：用底层组件实现自定义评估流程

当默认的一键评估无法满足定制需求时，03_bfcl_custom_evaluation.py 展示了如何拆解评估流水线，直接使用BFCLDataset与BFCLEvaluator两个底层组件：

from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.evaluation import BFCLDataset, BFCLEvaluator llm = HelloAgentsLLM() agent = SimpleAgent(name="TestAgent", llm=llm) # 1. 加载数据集 dataset = BFCLDataset( bfcl_data_dir="./temp_gorilla/berkeley-function-call-leaderboard/bfcl_eval/data", category="simple_python" ) data = dataset.load() print(f"✅ 加载了 {len(data)} 个测试样本") # 2. 创建评估器 evaluator = BFCLEvaluator(dataset=dataset, category="simple_python") # 3. 运行评估（只评估 5 个样本） results = evaluator.evaluate(agent=agent, max_samples=5) # 4. 查看结果 print(f"总样本数: {results['total_samples']}") print(f"正确样本数: {results['correct_samples']}") print(f"准确率: {results['overall_accuracy']:.2%}") # 5. 查看每个样本的详细结果 for detail in results['detailed_results']: print(f"样本 {detail['sample_id']}:") print(f" 问题: {detail['question'][:50]}...") print(f" 预测: {detail['predicted']}") print(f" 正确答案: {detail['expected']}") print(f" 结果: {'✅ 正确' if detail['success'] else '❌ 错误'}") # 6. 导出结果 evaluator.export_results(results, output_file="./evaluation_results/bfcl_custom_result.json")

自定义流程的价值在于：你可以逐样本检查预测与标准答案，定位具体是哪些函数调用出错；评估结果会导出为 JSON 文件，便于后续统计分析。

3.3 最佳实践：一键评估脚本的五步流水线

04_run_bfcl_evaluation.py 是 BFCL 评估的完整落地脚本，它将整个评估过程串成五步：

1. 自动检查和准备 BFCL 数据；
2. 运行 HelloAgents 评估；
3. 导出 BFCL 格式结果；
4. 调用 BFCL 官方评估工具；
5. 展示评估结果。

脚本支持三个命令行参数：

python 04_run_bfcl_evaluation.py \ --category simple_python \ # 评估类别（默认：simple_python） --samples 5 \ # 样本数量（默认：5，设为 0 表示全部） --model-name Qwen/Qwen3-8B # 模型名称（默认：Qwen/Qwen3-8B，必须是 BFCL 支持的模型）

脚本中值得关注的两个实现细节：

（1）函数调用系统提示词。脚本内置了一段FUNCTION_CALLING_SYSTEM_PROMPT，要求智能体输出"纯 JSON 数组"格式的函数调用结果，例如：

用户问题：查询北京的天气 可用函数：get_weather(city: str) 正确输出：[{"name": "get_weather", "arguments": {"city": "北京"}}]

同时在创建SimpleAgent时设置enable_tool_calling=False，让评估聚焦于"函数调用文本是否正确生成"这一核心能力。

（2）与官方评估工具的对接。脚本将 HelloAgents 的评估结果导出为 BFCL 官方格式文件BFCL_v4_{category}_result.json，复制到 BFCL 约定的结果目录（注意官方工具会把模型名中的/替换为_），然后调用官方 CLI 完成最终评分：

bfcl evaluate --model Qwen/Qwen3-8B --test-category simple_python --partial-eval

如果环境中未安装bfcl命令，脚本会提示先执行pip install bfcl-eval。官方评估完成后，评分会写入score/data_non_live.csv与score/{model_name}/non_live/BFCL_v4_{category}_score.json，脚本会自动读取并打印最终准确率。这个脚本体现了 BFCL 评估的四种最佳实践：渐进式评估（先小样本再全量）、多类别评估、对比评估（更换模型/提示词对比）与错误分析。

4. GAIA 评估：衡量智能体通用问题求解能力

GAIA（General AI Assistants）由 Meta AI 与 Hugging Face 联合推出，包含 466 个贴近真实世界的问题，按难度分为 Level 1/2/3 三级，考察多步推理、工具使用、文件处理、网页浏览等综合能力，采用 Quasi Exact Match 算法评分。它是衡量"通用 AI 助手"能力的代表性基准。

4.1 申请数据集访问权限（重要前置步骤）

GAIA 是受限数据集，无法直接下载，需要先申请访问权限：

1. 访问 HuggingFace 数据集页面gaia-benchmark/GAIA；
2. 点击 "Request Access" 申请访问权限；
3. 等待审核通过（通常 1～2 天）；
4. 审核通过后设置HF_TOKEN环境变量。

不完成这步，GAIAEvaluationTool在加载数据时会因权限不足而失败。

4.2 快速开始：一行代码完成 GAIA 评估

05_gaia_quick_start.py 展示了 GAIA 评估的最简用法。与 BFCL 不同，GAIA 对系统提示词有严格要求——必须使用 GAIA 官方系统提示词，否则答案格式不符会严重影响评分：

import os from hello_agents import SimpleAgent, HelloAgentsLLM from hello_agents.tools import GAIAEvaluationTool # GAIA 官方系统提示词（必须使用） GAIA_SYSTEM_PROMPT = """You are a general AI assistant. I will ask you a question. Report your thoughts, and finish your answer with the following template: FINAL ANSWER: [YOUR FINAL ANSWER]. YOUR FINAL ANSWER should be a number OR as few words as possible OR a comma separated list of numbers and/or strings. If you are asked for a number, don't use comma to write your number neither use units such as $ or percent sign unless specified otherwise. If you are asked for a string, don't use articles, neither abbreviations (e.g. for cities), and write the digits in plain text unless specified otherwise. If you are asked for a comma separated list, apply the above rules depending of whether the element to be put in the list is a number or a string.""" # 创建智能体（必须使用 GAIA 官方系统提示词） llm = HelloAgentsLLM() agent = SimpleAgent( name="TestAgent", llm=llm, system_prompt=GAIA_SYSTEM_PROMPT ) # 创建 GAIA 评估工具 gaia_tool = GAIAEvaluationTool() # 运行评估 results = gaia_tool.run( agent=agent, level=1, # 评估级别（1=简单，2=中等，3=困难） max_samples=2, # 评估样本数（0 表示全部） export_results=True, # 导出结果到 GAIA 官方格式 generate_report=True # 生成详细报告 ) print(f"精确匹配率: {results['exact_match_rate']:.2%}") print(f"部分匹配率: {results['partial_match_rate']:.2%}") print(f"正确数: {results['correct_samples']}/{results['total_samples']}")

运行输出大致如下：

============================================================ GAIA一键评估 ============================================================ 配置: 智能体: TestAgent 级别: Level 1 样本数: 2 ✅ GAIA数据集加载完成 数据源: gaia-benchmark/GAIA 分割: validation 级别: 1 样本数: 2 评估进度: 100%|██████████| 2/2 [00:10<00:00, 5.23s/样本] ✅ 评估完成 总样本数: 2 正确样本数: 2 精确匹配率: 100.00% 部分匹配率: 100.00% ✅ 结果已导出到 ./evaluation_results/gaia_submission.json ✅ 报告已生成到 ./evaluation_results/gaia_report.md 评估结果: 精确匹配率: 100.00% 部分匹配率: 100.00% 正确数: 2/2

GAIA 评估结果有两个核心指标，注意区分：

• 精确匹配率（exact_match_rate）：答案与标准答案完全一致的样本占比，是主指标；
• 部分匹配率（partial_match_rate）：答案部分命中的样本占比，用于参考。

同时脚本支持export_results导出官方提交格式（gaia_submission.json）与generate_report生成详细报告（gaia_report.md），便于后续提交官方榜单或人工复盘。

4.3 最佳实践：分级评估、小样本测试与结果解读

06_gaia_best_practices.py 把 GAIA 评估沉淀为三条可复用的最佳实践。

最佳实践 1：分级评估（由易到难递进）

GAIA 的 Level 1/2/3 难度递增，评估时应遵循"先简单后困难"的阶梯式策略——只有低级别表现达标，才继续评估更高级别：

# 第一步：评估 Level 1（简单任务） results_l1 = gaia_tool.run(agent, level=1, max_samples=10) # 第二步：如果 Level 1 表现良好，评估 Level 2 if results_l1['exact_match_rate'] > 0.6: results_l2 = gaia_tool.run(agent, level=2, max_samples=10) # 第三步：如果 Level 2 表现良好，评估 Level 3 if results_l2['exact_match_rate'] > 0.4: results_l3 = gaia_tool.run(agent, level=3, max_samples=10)

这种策略能快速暴露智能体的能力边界：Level 1 都达不到 60% 时，投入更多成本评估 Level 3 意义不大。

最佳实践 2：小样本快速测试

在完整评估前，先用每个级别 2 个样本做冒烟测试，几秒钟即可判断评估链路是否通畅、提示词是否生效：

for level in [1, 2, 3]: results = gaia_tool.run(agent, level=level, max_samples=2) print(f"快速测试 Level {level}: 精确匹配率 {results['exact_match_rate']:.2%}")

最佳实践 3：结果解读与难度递进分析

脚本内置了分级的达标阈值与改进建议，帮助开发者把指标转化为行动项：

此外，脚本还会做难度递进分析：正常情况下Level 1 > Level 2 > Level 3，若出现反超（如 Level 2 ≥ Level 1），则提示可能存在数据集偏差或智能体特性问题，需要进一步排查。

5. 数据生成质量评估：LLM Judge 与 Win Rate

第三个评估场景聚焦"智能体生成数据"的质量——这在为模型构造训练/测试数据时尤为关键。本仓库以生成 AIME 数学竞赛题目为例，将评估任务交给 LLM 自身（LLM Judge）与对比打分（Win Rate），并保留人工验证环节。相关的完整工具链位于 code/chapter12/data_generation 目录，包含aime_generator.py（题目生成器）、run_complete_evaluation.py（完整流程入口）、step1_generate_only.py/step2_evaluate_only.py（分步执行）以及human_verification_ui.py（人工验证界面）。

5.1 LLM Judge：从四个维度打分

08_data_generation_llm_judge.py 演示了如何让 LLM 充当裁判，从四个维度为生成的题目打分（每题 1～5 分）：

1. 正确性（Correctness）：题目和答案是否正确；
2. 清晰度（Clarity）：题目表述是否清晰；
3. 难度匹配（Difficulty Match）：难度是否符合 AIME 水平；
4. 完整性（Completeness）：题目信息是否完整。

核心代码如下：

from hello_agents import HelloAgentsLLM from hello_agents.evaluation import LLMJudge llm = HelloAgentsLLM(model_name="gpt-4o") judge = LLMJudge(llm=llm) # 评估单道题目 result = judge.evaluate_single(problem) print(f"正确性: {result['correctness']}/5") print(f"清晰度: {result['clarity']}/5") print(f"难度匹配: {result['difficulty_match']}/5") print(f"完整性: {result['completeness']}/5") print(f"平均分: {result['average_score']:.2f}/5") print(f"评语: {result['feedback']}")

每道题除了分数，还会得到一段 LLM 生成的英文评语，例如对一道难度的反馈："The problem is correct and clear, but the difficulty is slightly below AIME level. Consider adding more complexity."

脚本会汇总全部题目的平均分，并按阈值给出质量结论：

• 总体平均 ≥ 4.0：✅ 优秀，题目质量很高，可直接使用；
• 3.0 ≤ 平均 < 4.0：⚠️ 良好，质量可用，建议人工审核；
• 2.0 ≤ 平均 < 3.0：⚠️ 一般，需要大幅改进；
• 平均 < 2.0：❌ 较差，需要重新生成。

示例中的预期输出为：

平均分: 正确性: 5.00/5 清晰度: 4.50/5 难度匹配: 4.00/5 完整性: 5.00/5 总体平均: 4.62/5 质量评估: ✅ 优秀 - 题目质量很高，可以直接使用

5.2 Win Rate：与真题对战来衡量相对质量

LLM Judge 是"绝对打分"，而 09_data_generation_win_rate.py 演示的 Win Rate 是"相对对战"——让评估模型在"生成的题目 vs AIME 真题"之间二选一并说明理由，统计生成题目的胜率：

from hello_agents import HelloAgentsLLM from hello_agents.evaluation import WinRateEvaluator, AIDataset # 加载参考数据集（AIME 真题） dataset = AIDataset() reference_problems = dataset.load() # 示例中加载了 963 道真题 # 创建 Win Rate 评估器 llm = HelloAgentsLLM(model_name="gpt-4o") evaluator = WinRateEvaluator(llm=llm, reference_problems=reference_problems) # 运行评估：进行 20 次对比 results = evaluator.evaluate( generated_problems=generated_problems, num_comparisons=20 ) print(f"Win Rate: {results['win_rate']:.2%}") print(f"Tie Rate: {results['tie_rate']:.2%}") print(f"Loss Rate: {results['loss_rate']:.2%}")

Win Rate 的结果解读有一条黄金基准：

• Win Rate ≈ 50%：生成质量与真题相当（理想情况）；
• Win Rate > 50%：生成质量"优于"真题（需警惕评估偏差）；
• Win Rate < 50%：生成质量低于真题，需要改进。

质量评估阈值如下：

此外，每次对比都保留result（generated / reference / tie）与reason（理由），可以深入分析"生成题目在哪些维度上不敌真题"。示例预期输出为：

Win Rate: 45.00% Tie Rate: 10.00% Loss Rate: 45.00% 质量评估: ✅ 优秀 - 生成质量接近AIME真题水平

5.3 完整评估流程：生成 → 自动评估 → 人工验证

07_data_generation_complete_flow.py 将上述环节串成端到端流水线，一条命令完成"生成 → LLM Judge → Win Rate → 人工验证"：

python 07_data_generation_complete_flow.py 30 3.0

参数说明：

• 30：生成 30 道题目；
• 3.0：每道题之间的延迟秒数（用于避免 LLM 速率限制）。

脚本内部调用 run_complete_evaluation.py 的main(num_problems, delay_seconds)，完整流程包括：

1. 生成 AIME 题目：以 963 道参考题为样本，使用 GPT-4o 生成新题，产物保存到data_generation/generated_data/aime_problems_*.json，并附带generation_report_*.md报告；
2. LLM Judge 评估：对生成题做四维度打分；
3. Win Rate 评估：与 AIME 2025 真题（963 道）进行约 20 次对战对比；
4. 人工验证：启动本地 Gradio 界面（http://127.0.0.1:7860），人工对自动评估结论做最终把关。

预期输出示例：

✅ 已加载 963 道参考题目 🎯 开始生成AIME题目 目标数量: 30 生成模型: gpt-4o 延迟设置: 3.0秒/题 生成AIME题目: 100%|██████████| 30/30 [02:30<00:00, 5.01s/题] ✅ 生成完成 成功: 30/30 保存位置: ./data_generation/generated_data/aime_problems_20241211_143022.json ========== LLM Judge评估 ========== ✅ LLM Judge评估完成 平均分: 3.5/5.0 评估维度: - 正确性: 3.8/5.0 - 清晰度: 3.6/5.0 - 难度匹配: 3.4/5.0 - 完整性: 3.2/5.0 ========== Win Rate评估 ========== ✅ Win Rate评估完成 Win Rate: 45.0% Tie Rate: 10.0% Loss Rate: 45.0% ========== 人工验证 ========== 🎯 启动人工验证界面 访问地址: http://127.0.0.1:7860 📊 评估总结: 生成数量: 30道题目 LLM Judge平均分: 3.5/5.0 Win Rate: 45.0% 建议: 生成质量接近AIME真题水平

仓库 code/chapter12/data_generation/evaluation_results 目录下还保留了完整的运行产物示例：llm_judge/与win_rate/两个子目录分别存放评分 JSON 与 Markdown 报告，以及汇总三者的comprehensive_report.md，可以作为你本地运行后输出格式的参照。

6. 学习路径：初学者与进阶两条路线

初学者路径（先建立整体认知）

1. 运行 01_basic_agent_example.py，理解"为什么需要评估"；
2. 学习 BFCL 评估：运行 02_bfcl_quick_start.py（快速开始）→ 04_run_bfcl_evaluation.py（最佳实践）；
3. 学习 GAIA 评估：运行 05_gaia_quick_start.py（快速开始）→ 06_gaia_best_practices.py（最佳实践）。

进阶路径（深入定制与数据评估）

1. 自定义评估流程：阅读并改造 03_bfcl_custom_evaluation.py，理解BFCLDataset/BFCLEvaluator底层组件；
2. 数据生成评估：运行 08_data_generation_llm_judge.py（LLM Judge）→ 09_data_generation_win_rate.py（Win Rate）→ 07_data_generation_complete_flow.py（完整流程）。

7. 常见问题排查

Q1：运行示例时提示找不到模块？

请确认已安装 HelloAgents 评估组件，或在开发目录下执行：

cd ../HelloAgents pip install -e .

Q2：BFCL 评估提示找不到数据集？

首次运行会自动下载数据集，请确保网络连接正常。若下载失败，可手动克隆仓库后重试（数据路径见第 2.3 节）。

Q3：GAIA 评估提示没有访问权限？

GAIA 是受限数据集，请依次完成：在 HuggingFace 数据集页面点击 "Request Access" → 等待审核通过（通常 1～2 天）→ 设置HF_TOKEN环境变量。

Q4：评估速度太慢？

可以通过减少样本数快速验证：

# BFCL 评估 results = bfcl_tool.run(agent, category="simple_python", max_samples=5) # GAIA 评估 results = gaia_tool.run(agent, level=1, max_samples=2) # 数据生成评估：只生成 10 道题目 python 07_data_generation_complete_flow.py 10 3.0

Q5：如何估算评估成本？

评估成本主要来自 LLM API 调用，以下为参考量级（价格会随模型与供应商浮动）：

• BFCL 评估：每个样本约 1 次 API 调用，成本约 0.01～0.02 元/样本，完整评估（约 400 样本）约 4～8 元；
• GAIA 评估：每个样本约 1～5 次 API 调用（取决于任务复杂度），成本约 0.05～0.20 元/样本，完整评估（466 样本）约 23～93 元；
• 数据生成评估：生成约 0.05 元/题，LLM Judge 约 0.02 元/题，Win Rate 约 0.02 元/对比，生成 30 道题目总计约 2～3 元。

因此在正式全量评估前，务必先用max_samples做小样本冒烟测试。

8. 小结

通过第十二章的 9 个示例脚本，你可以在 HelloAgents 框架上建立一套覆盖"工具调用能力（BFCL）→ 通用求解能力（GAIA）→ 数据生成质量（LLM Judge / Win Rate）"的三层评估体系：

• BFCL用一行BFCLEvaluationTool.run()快速量化函数调用准确率，用BFCLDataset+BFCLEvaluator实现自定义评估，用04_run_bfcl_evaluation.py对接官方评估工具完成端到端流水线；
• GAIA强调"官方提示词 + 受限数据集授权 + 分级递进评估"，以精确/部分匹配率为双指标，附赠一套可直接套用的达标阈值与改进建议；
• 数据生成评估展示了"绝对打分（LLM Judge）+ 相对对战（Win Rate）+ 人工验证"三位一体的质量把关方案。

这套方法论不局限于本仓库示例：无论你的智能体是用于检索问答、工具调用还是数据生产，都可以按同样的思路搭建专属评估基线，让每一次 Prompt 优化、模型替换都有数据可依。

【免费下载链接】hello-agents📚 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/datawhalechina/hello-agents