你要给一个客服 Agent 搭一套评测 harness，手上有 50 条测试用例（输入 + 参考答案），其中一部分是「回答里必须包含订单号」这类可以用规则判断的，一部分是开放式回答。老板想知道「这版比上版强没强」。你会怎么设计判分方式和跑测流程，让两次跑出来的分数真的可比？

面试官在考什么

是否理解评测可复现的前提（固定测试集与版本）以及规则判分与 LLM judge 的取舍和局限。

评测 harness

回答框架 · 前两步

1. 可复现的前提：固定测试集、prompt 版本、模型名与版本、temperature/随机种子、外部工具返回（固定 mock 数据），否则两次分数不可比。
2. 判分要分层：能用规则/断言判的（是否包含订单号、能否解析成 JSON、是否调用了某个工具）不要用 LLM 判；只有开放式回答才用 LLM judge。

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』。