AWS 公布 Bedrock AgentCore 九阶段 Agent 评估框架：准确率 93%→96%，回归发现压至 4 小时内
- 框架结构：横跨 tool / agent / 多智能体三个层级，覆盖 safety、quality、performance、cost、operational control 五个维度;九个阶段从「定义质量」到「自动改进」构成单一闭环，全部跑在 AgentCore Evaluations 上，配合 Bedrock Guardrails、CloudWatch、S3/Redshift、Lambda 自定义评估器。
- 量化效果：三个月定向迭代把准确率从 93% 提升至 96%，纯幻觉从每万条 138 次降至 52 次以下，未授权计算从 59 降至 44 以下;生产环境质量回归的发现时间由数天至数周压缩至 4 小时内，首次信号是带 AgentCore trace 的 CloudWatch 告警。
- 关键机制：CI 用分钟级 sentinel 集拦截回归——一次数据规范化更新导致实体解析失败，部署被自动阻断;CD gate 在冻结的工具行为上对 200 道留出题做端到端打分，平均分改善但单题通过率下降同样不放行;生产侧以 30 分钟为一个评估窗口、连续三次越线才告警，一次数据同步不匹配窗口曾使通过率从 78% 掉到 38%。
- 行业意义：AWS 将其称为 AgentOps——评估不是最终 QA 步骤，而是 Agent 自身的运行时操作系统。对多子智能体系统而言，「每个工具都有自己的评估契约、每层各有黄金集」意味着质量控制点从单模型输出前移到工具、编排与合成三个可独立失效的面。
