#trace-based evaluation

做智能体评估的同学该看看这篇。它用同一批 trace 实测了三种评估框架：trace-based F1 到 0.90，纯文本方案误报多 5 倍，还有 24 个功能测试和安全红队零重叠的新失败。结论很实在：功能评估用 trace，安全验证用红队，两条腿走路。