Agent 评测难题：输出每次都不同，怎么判断改动是变好了？

Reddit 用户 SnooDingos9560 提出 agent 评测的核心困境：换 prompt 或换模型后结果「感觉不同」，但输出非确定性、无法 diff。现有做法各有短板——固定任务集手工重跑会过时，LLM 当裁判自带偏见，按 checklist 打分则覆盖有限。他征询大家的实际做法，以及是否真的靠这些方法抓到过回归，评论区含一线经验。