美团图灵Agent评测团队公开内部博客，系统讲解Agent评测方法论。评测核心是回答“Agent好不好”，需覆盖结果、过程、效率、风险四层，并以观测为基石。团队提出“人人一致、人机一致”对齐法，通过指标下钻与Rubric二元化，使数字站长人机一致率达99%，Beam从62%提升至92%。文章还探讨了长程Agent（如Claude Code）对观测评测带来的演进。