AI Agent 测评怎么做？开发者晒出抓「假装调用工具」的工具

开发者 mbtigeekjung 在 reddit 晒出自己构建的 agent 测试工具，让 agent 跑完整对话并自动标记典型失败模式。这些模式包括重复询问已有答案的问题、声称执行了动作却没调用工具、把本可转化的客户弄丢。帖子还向社区提问：该测完整对话还是单条回复、如何抓出 agent「说做了」却未实际调用工具，以及用真实对话记录还是模拟用户。