Agent 测评指标怎么选、怎么算：判定、检索、相似、行为四类框架

这篇教程把 Agent 测评指标分成判定、检索、相似、行为四类，并给出每类的适用场景和算法。判定类从正类四格表推出准确率、精确率、召回率、F1，指出违规占比不足一成时准确率会骗人；检索类用命中率@K 和 MRR 分诊排序问题与检索问题，K 必须跟系统实际喂给模型的条数一致；相似类只做粗筛，行为类看多轮通过率、P95 时延和必须为 0 的安全违规数。