当代理上线后，团队需要判断它是否真正完成任务，而不仅仅是看是否报错。传统评估往往是一次性的基准跑、轨迹检查或单一分数，缺乏自检也无法反馈给代理。我们提出 闭环评估，把评估视为在有偏评审者和审查受限结果下的性能估计，并要求每一级结论都能追溯到原子数据、由版本化规则计算。方法覆盖四个分析层面：跨度、轨迹、对话和交互；沿 执行‑实质‑轨迹‑结果 四维脊柱度量；始终将行为约束视为限制；并通过 来源 与 裁决 组件认证证据与评审者。评审代理由 Agent Factory 生成，携带领域知识包和适配器壳。两层闭环：内部循环审计证据、规则和度量本身；外部循环利用每个组件的回归检查推动代理改进。我们实现了自动化流水线，并以业务分析代理 SharpInsight 为案例，将方法迁移到公开对话数据上。实验显示，不同层面的错误表现不同，基于证据‑规则的判断比整体打分更可靠（ICC 0.86 vs 0.81，kappa 0.81 vs 0.63）。
点评