你的 harness 对同一份 300 条用例连跑两次，通过率从 78% 掉到 71%，这段时间代码和模型都没改，老板怀疑模型退化。请给出你的排查和设计：你会固定哪些变量、怎么区分『模型随机性』和『harness 自身不稳定』、判分器怎么设计才能让通过率可控。请具体说判分方式（精确匹配 / 规则 / LLM 判分）和重复跑的策略。

面试官在考什么

判断候选人是否理解评测系统的方差来源，能不能把『模型行为』和『评测系统自身』分开归因，而不是拿一个单点通过率当结论。

评测 harness

回答框架 · 前两步

1. 固定所有非模型变量：用例集版本、prompt 版本、工具 mock 版本、模型版本与参数、并发度和超时；每次跑把原始输出和工具调用轨迹落盘，支持逐条 diff。
2. 先建立抖动基线：同配置重复跑多次，得到通过率的正常波动区间；再拿新结果和这个区间比，而不是和上一次的单点比。

同一能力域的其他题

• 你要为一个 Agent 系统设计评测 harness，会包含哪些维度？怎么保证评测结果可复现？
• Agent 的工具编排里，工具多了以后模型选错工具、参数填错怎么办？你会怎么设计降低这类错误？
• 提示词版本管理你怎么做？线上提示词改了以后，怎么知道是变好还是变坏？
• 你的 Agent 要完成『查上周失败订单 → 查每个订单的用户信息 → 给用户发补偿邮件』。可用工具：list_failed_orders（约 200ms，可能返回 500 条）、get_user（约 80ms/次）、send_email（写操作，第三方接口超时后会重复投递）。模型走 ReAct 循环，最多 20 步。请给出你的编排设计：哪些步骤并发、并发度怎么定、写工具如何避免重复发送、单步超时与整体预算怎么设、工具失败后是重试还是把错误回填给模型继续。
• 某内部 Agent 有 30 个工具，线上平均一次任务发起 8 次工具调用，其中约 60% 彼此无依赖；单次 LLM 规划延迟约 400ms，单次工具平均 200ms、p99 2s，有 5 个工具单次返回 100KB+ 文本。延迟预算要求 p95 小于 3s。你会把编排做成「每步让 LLM 选下一个工具」还是「先让 LLM 出完整 DAG 再执行」？给出你的决策条件、并行策略、失败重试与返回体裁剪方案，并说明工具数从 30 涨到 300 时哪些设计会先失效。
• 某 Agent 平台挂载 40 个工具（内部 API、检索、代码执行），当前做法是把全部工具 schema 注入 system prompt，约占 8k token。线上数据显示：工具选错率 22%，其中 60% 的错误集中在 6 个语义高度相近的工具之间；端到端 p95 延迟随工具数量近似线性增长。业务方要求半年内把工具扩到 120 个，同时选错率不能再涨。请给出你的编排演进方案：分几步、每一步解决什么问题、每一步用什么指标决定『继续推进』还是『回退』。