Agent 评测系统架构：从指标分层到 GT/Judge 闭环的工程化落地

评测系统要解决的是这个落差。它不能只给一个漂亮的总分，也不能靠几条人工样本临时验收。更可靠的做法，是把业务价值拆成几层能独立观测的信号，再用线上行为、LLM 推断和人工 Golden Set 组成 Ground Truth 来源，最后把
LLM-as-Judge 放进一个可校准、可回归、可持续运行的工程闭环。