【15｜Agent Evaluation：不要用“看起来回答不错“验收 Agent】

当你的 ITOps Agent 输出一份完美的 Markdown 分析报告，却选错了 restart 命令、漏掉了关键日志，或者在错误的主机上执行操作——传统的 LLM benchmark（如 BLEU、ROUGE、GPT-as-Judge）会告诉你“回答得很好”，因为文本看起来挺对的。但生产环境不会：Agent 说“修复完成”，服务依然 500，就是一次失败。本文提出一套面向 ITOps Age