agent-evaluation

Agent evaluation requires different approaches than traditional software. Agents are non-deterministic, may take different valid paths, and lack single correct answers.

Research on BrowseComp found three factors explain 95% of variance:

| Token usage | 80% | More tokens = better performance | | Tool calls | 10% | More exploration helps | | Model choice | 5% | Better models multiply efficiency |

يُستخدم عند تقييم أداء الوكيل، أو بناء أطر الاختبار، أو قياس الجودة، أو السؤال عن "تقييم الوكيل"، أو "LLM-as-قاضي"، أو "اختبار الوكيل"، أو "مقاييس الجودة"، أو "قواعد التقييم"، أو "مقاييس الوكيل" المصدر: eyadsibai/ltk.