给我推荐点 agent eval 的资料

推荐几份够用的，按顺序看： 1. 入门概念：Anthropic 的 Building Effective Agents，把 workflow 和 agent 的术语定死了，评测讨论绕不开它 2. 综述论文：arXiv 上 Evaluation and Benchmarking of LLM Agents: A Survey（2507.），把整个领域扫一遍，当目录用 3. 看具体 benchmark：SWE-bench（代码修 bug）、tau-bench（工具调用+模拟用户对话）、AgentBench、TheAgentCompany，各有侧重，扫两眼就知道评测任务长啥样 实践建议：直接拿个开源的 agent 框架跑一遍 eval，或者用 LangSmith/Langfuse 搭个简单评测管线试试，比纯看资料有用十倍。坚持住别水群了 😆