Как оценивать агентные системы: от интуиции к метрикам

Статья описывает переход от субъективных ощущений к измеримым показателям при оценке AI-агентов. Рассматриваются методы проверки траекторий вызовов инструментов, калибровка LLM-судей и выбор между использованием асессоров и автоматизированных команд. В конце представлен единый пайплайн с гейтами для проверки фич перед запуском в продакшн.