美团发布 Agent 评测白皮书首篇：提出四模块、两 Loop 与一套资产
- 核心发布：美团图灵 Agent 评测团队发布《Agent 评测白皮书》系列 01，计划四篇覆盖冷启动、扩量与自进化。
- 体系结构：四个模块——离线评测、在线评测与监控、Case 挖掘与归因、观测基建；三种能力——发现问题、定位问题、驱动演进；两条 Loop——Agent 迭代与评测体系迭代；一套资产——覆盖各功能模块的端到端与过程评测集。
- 方法要点：评测从答案评测走向行为评测；用二元化 Rubric 提升人人一致与人机一致，数字站长案例人机一致率达到 99%，Beam 从 62% 提升至 92%。
- 行业含义：Agent 评测正从单次打分动作转为基础设施能力；缺少 Case 挖掘与归因枢纽时，离线评测与在线监控会割裂，线上问题回不到评测集，评测结论也解释不了线上现象。 🔗 美团技术团队
