使用 Google Agents CLI 构建智能体评估内循环
本文是 Google 关于智能体质量飞轮的实操续篇，介绍如何用 agents-cli 手动运行评估内循环。作者构建了一个汇率转换智能体 fx-agent，并故意在指令中植入缺陷（未要求在回复末尾列出所使用的工具），通过六个测试用例的评估集验证：内置 AutoRaters 指标会遗漏此类缺陷，因此需要将关键行为提升为自定义指标（LLM 评审与正则代码检查双重视角）来单独度量。随后修复一行指令，并用分数变化证明修复有效。文章强调评估的意义在于检查智能体是否遵守规则，而非答案表面质量。
