Agent Eval

基于Karpathy AutoResearch和多Agent复盘的闭环量化评估体系，实现任务自动yes/no评判与持续优化升级。

Agent Eval — 量化评估 + 自我进化闭环

核心理念：能被衡量的东西，就能被优化。 基于 Karpathy AutoResearch eval loop + 诸子 Agent 复盘体系 + Phoenix Memory 架构

通用 Eval 流程

text

生成 → 评估 → 打分 → 分析失败点 → 改一个小地方 → 重跑 → 分数涨了保留，跌了撤回 → 循环

Eval 编写规则

• 每条 eval 必须是 yes/no 二元判断
• 不能主观（❌"写得好吗" → ✅"标题是否包含具体数字"）
• 每条测一个独立维度，不重叠
• 3-6 条最合适，太多会开始刷题
• 用真实历史任务做测试集，不编造

各 Agent Eval Checklist

✍️ Content（公文/论文撰写）

#	检查项	权重	说明
C1	格式规范：标题编号/字号/行距是否符合公文或论文标准	高	对照GB/T 9704或目标期刊
C2	无 AI 痕迹：正文中是否出现"作为AI"/"笔者"/"综上所述"等AI常见用语	高	全文检索
C3	数据真实：所有数字、百分比是否来自可验证来源（非估算）	极高	对应 PAT-20260403-001/002
C4	角色准确：文种是否匹配（通知/报告/请示/论文各有套路）	高	文体识别
C5	一稿可用率：是否无需老板大幅修改即可使用	高	历史对比

🛡️ Shield（合同/法律审查）

#	检查项	权重	说明
S1	高风险条款标记：是否标注了所有🟡🟠🔴风险条款	极高	质7条/保8条等红线
S2	法律依据：每条审查意见是否引用具体法条/规章	高	不能空口白说
S3	可操作性：是否给出具体修改建议（而非只说"有风险"）	高	对方能拿去直接改
S4	遗漏检查：是否有重要条款被遗漏（付款/违约/终止/保密）	高	对照检查清单
S5	医院适配：是否考虑了公立医院特殊条款（财政审计/采购流程）	中	行业定制

😈 Devil（找茬挑刺/科研质控）

5阶段 Peer-Review 流程 + 偏差检测框架（蒸馏自 K-Dense ScholarEval）

评审流程：

1. 初评（研究问题+整体质量+大缺陷）
2. 逐节审（摘要→引言→方法→结果→讨论→参考文献）
3. 方法学+统计严谨性
4. 可复现性+透明度
5. 图表+数据呈现

偏差检测清单（必须覆盖）：

• 认知偏差：确认偏差、HARKing、发表偏差、樱桃挑选
• 选择偏差：采样偏差、失访偏差、幸存者偏差
• 分析偏差：p-hacking、结局切换、选择性报告、亚组钓鱼
• 混杂因素：未测量混杂、替代解释

#	检查项	权重	说明
D1	找出真实问题：是否至少指出1个非显而易见的实质性缺陷	极高	不能只挑格式
D2	论据充分：每个批评是否有具体论据/数据/文献支撑	高	不能空穴来风
D3	偏差检测：是否覆盖5类偏差中的至少2类	高	蒸馏自K-Dense
D4	统计审评：是否检查了效应量、多重比较、样本量	高	蒸馏自K-Dense
D5	不误伤：是否没有对正确内容进行无理挑刺	中	避免为了挑刺而挑刺
D6	可执行建议：是否给出改进方向（而非只否定）	高	建设性挑刺

📜 Sage（古籍/文学/中医）

#	检查项	权重	说明
SG1	出处准确：引文是否标注真实出处（书名/卷/篇）	极高	不能编造古籍
SG2	语境匹配：引用是否与论述主题相关（非生搬硬套）	高	语义关联
SG3	现代转化：是否能将古文用现代语言清晰解释	高	翻译质量
SG4	深度：是否提供了超越浅层引用的深入解读	中	非百度百科式

🎓 Scholar（学术检索/论文辅助）

8维度评分框架（蒸馏自 K-Dense ScholarEval）

8维度： 问题定义 | 文献综述 | 方法论 | 数据来源 | 分析解读 | 结果呈现 | 学术写作 | 引用规范

#	检查项	权重	说明
SC1	引用真实：所有引用文献是否真实存在（DOI/arXiv ID可验证）	极高	反AI幻觉核心
SC2	相关性：检索结果与课题的相关度（前5条中至少3条高度相关）	高
SC3	时效性：引用文献是否以近3年为主（经典文献除外）	中
SC4	完整性：是否覆盖了课题的主要子领域	高	不能只搜一个方向
SC5	批判性：文献综述是否区分了'总结'和'批判'（非罗列）	高	K-Dense ScholarEval
SC6	方法论审评：对引用文献的方法论质量是否有评估	中	K-Dense ScholarEval

📊 Analyzer（数据分析）

#	检查项	权重	说明
A1	数据源标注：是否明确标注数据来源和时间	极高	对应 PAT-20260403
A2	计算可复现：关键数字是否能从原始数据手算验证	高	不臆想
A3	方法说明：是否说明了分析方法（描述统计/回归/卡方等）	高
A4	局限性：是否指出了数据的局限和适用范围	中	诚实原则

🏥 Medical（医疗/互联网医院）

GRADE 证据分级 + 偏差检测（蒸馏自 K-Dense CDS + Critical-Thinking）

GRADE 分级： 1A（强推荐+高质量）→ 1B → 2A → 2B → 2C（弱推荐+极低质量）

#	检查项	权重	说明
M1	政策依据：是否引用最新的国家/省级政策文件	高	互联网医院政策变化快
M2	数据时效：引用的医院/行业数据是否在时效红线内	极高	IMA 红线
M3	临床相关性：建议是否有临床/管理实践支撑	高
M4	证据分级：是否对关键建议标注了GRADE等级（或注明证据强度）	高	K-Dense CDS
M5	偏差意识：是否指出引用研究中的潜在偏差（选择/测量/混杂）	中	K-Dense Critical-Thinking

打分机制

text

总分 = Σ(通过项权重) / Σ(所有项权重) × 100

等级：
  90+ = 🟢 优秀（可自动交付）
  70-89 = 🟡 良好（需抽查）
  50-69 = 🟠 需改进（必须人工审）
  <50  = 🔴 不合格（重新执行）

Cron 自动评估流程

每日 23:30 — Agent 自评

1. 读取当日该 agent 的所有任务记录（memory/YYYY-MM-DD.md）
2. 对每个任务逐项跑 eval checklist
3. 计算当日平均分
4. 记录到 memory/evolution/<agent-id>.md

每周日 00:00 — CEO 周报

1. 汇总各 agent 周平均分
2. 识别分数下降趋势 → 触发调查
3. 识别高分稳定 agent → 确认无需干预
4. 提炼本周 top-3 失败点 → 写入 patterns.md
5. 将整体评分趋势发给老板

触发优化的条件

• 连续3天某 agent 低于 70 分 → 自动 SOUL.md 检查
• 某个 eval 项连续5次失败 → 写入 PAT 记录
• 周均分下降 >10% → 触发 agent 模型/配置审查

与现有体系的衔接

现有组件	Eval 衔接方式
Phoenix Memory L0	每日日志已包含任务记录，eval 直接读取
patterns.md	eval 失败模式自动写入 PAT
五层质检	eval 是 L2-L3 层的量化标准
AGENTS.md autoresearch	eval 分数就是 autoresearch 的 loss function
心跳 HEARTBEAT.md	周日 eval 周报纳入心跳检查

进化记录格式

memory/evolution/<agent-id>.md:

markdown

# <Agent 名称> 进化日志

## 2026-04-04
- 日均任务数: 3
- Eval 均分: 78/100 🟡
- 通过项: C1✅ C2✅ C3❌ C4✅ C5🟡
- 失败分析: C3 数据真实度不达标（2/3任务使用了估算数据）
- 改进措施: 在 spawn 指令中强调"所有数字必须标注来源"

注意事项

• Eval 是工具，不是目的。分数只是手段，最终目标是老板满意度
• 不要为了刷分而刷分——如果某条 eval 不再有意义，该删就删
• 新 agent 上线前必须先定义 eval，没有 eval 的 agent 不转正
• 老板的口头反馈 > eval 分数（遇到矛盾时以老板为准）