有直播回放？

那评测工程化的方法论还有相关项目有不，有具体的案例不？

牛啊，谢谢佬，我先试一试。

谢谢佬

有没有通用的解决方案，针对各种自研的 agent 平台。

对了那个轨迹判断，每一次发送 prompt 给 llm，llm 决定调用哪些 tool，而且每次他的轨迹都不一样，那么怎么做质量评估，甚至有时候直接用大模型里面的内容进行返回， 没有使用 tool，这样的话怎么做评估。

抱紧大佬的大腿

蹲，DeepEval 框架做 agent 工具链质量评估，有试过嘛，能出一期嘛。

蹲，期待一下。

蹲能否出一个测试 mcp 还有 skill 的测试方法论或者测试方法。