如何用四步循环为智能体系统编写评测

作者提出一套为 AI 或智能体系统编写评测的四步循环：先冻结并版本化每次运行的提示词、文件、工具和 MCP 响应，再由领域专家逐步标注运行结果，随后用约 20 条已评运行建立数据集并归纳 pass/fail 评分准则，最后基于标注示例构建 LLM-as-a-Judge。