第一层：保底#

确保系统每次改动后仍能稳定运行，否则无法判断是否“改坏”。

第二层：固定题目 benchmark#

使用通过率、耗时和失败原因评估效果，而非凭感觉判断。

第三层：过程记录#

记录运行过程以便复盘，避免只看到最终结果。

第四层：线上反例回归#

将真实翻车的 case 放回评测集，使评测体系更贴近真实场景且更具说服力。

面试价值#

该体系回答了三个问题：

1. 指标来源：说明指标可量化，并非主观编写。
2. 优化验证：证明优化过程可工程化验证，而非玄学。
3. 系统扩展性：表明 Agent 评测是持续演进的闭环，而非一次性脚本。

实践建议#

在 Agent 项目中补充评测体系，展示可复现、可审计、可扩展的评测机制。这些上线时需考虑的实际细节往往更能打动面试官。

内容来源：用户提供的校招项目经验分享，已客观整理。