只有 30 条好看的 Demo，如何建立可信的 Agent 评测集？

考察任务采样、失败覆盖、数据泄漏与标注质量。

Eval Dataset回归数据泄漏

知识内容核对 2026-10-03 · 原题来源核对 2026-10-02

本题目录

READ · UNDERSTAND · TRANSFER

阅读理解，按需巩固

原理与解答已折叠。用自己的话解释核心机制、边界和验证方法，再展开对照。

作答与个人记录

我的答案 0 / 20,000

每次修改后的提交会保留为独立历史。掌握程度由你对照标准自评。

核心原理、解析、问答和迁移案例已收起。准备好后展开，对照内容找出遗漏。

为企业研究 Agent 设计 12 个评测样本配额，说明各类失败覆盖。

展开验收要求与检查点