Writing.

传统测试都通过了，怎么证明 Agent 真的变好了

传统测试只能证明代码没坏，无法评估 Agent 是否真正变强。需要引入 Eval：用固定任务集、统一评分规则重复运行，比较成功率、成本、耗时和回归。两套体系互补，发布前先过传统测试，再跑 Eval，才能避免凭感觉优化。