7 ошибок при оценке AI-агентов, из-за которых тесты дают ложные результаты

Статья разбирает распространённые ошибки в тестировании AI-агентов, объясняя, почему зелёный статус eval-тестов не гарантирует корректную работу системы. Автор указывает, что агент может выдавать верный ответ, но выполнять неверные действия или игнорировать их вовсе, и предлагает подходы для измерения реального качества.