你要给一个 Agent 建离线评测 harness：500 条用例，3 个候选版本，每个版本每条用例采样 3 次；平均每个任务 20 次 LLM 调用，单次调用按输入输出合计约 0.002 美元，工具沙箱单次平均 1s。要求 2 小时内出报告，并能区分「模型/提示词变化」和「工具环境抖动」。你会怎么设计执行隔离、并发、缓存、工具 mock/录制、判分和关键指标？

面试官在考什么

判断候选人能否把评测 harness 做成可复现、可归因、成本可控的工程系统，而不是跑个脚本看最终分。

评测 harness

回答框架 · 前两步

1. 规模与预算先算清：500×3×3×20=9 万次 LLM 调用，约 180 美元；4500 次沙箱任务，串行约 75 分钟，需并发才能 2 小时出报告。
2. harness 与 Agent 解耦：统一输入输出和 trace 格式，记录模型版本、提示词版本、工具 schema 版本、随机种子/温度。

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』。