首页 › ai-agents › 六大Agent评测引擎三栈分离实战全拆解

Agent评测不再是单选题:CI·实验·生产三栈各归其位

2026年3月,OpenAI收购Promptfoo的消息像一颗深水炸弹,把"Agent评测"从幕后推到了台前。当自主智能体从实验demo走向生产流水线,评测不再是一个工具的事——它分裂成了三层完全不同的栈:CI层的快速回归、实验层的A/B对比、生产层的在线监控。问题在于,市面上没有一个平台同时做好三层。六个主流评测引擎——DeepEval、LangSmith、Braintrust、Langfuse、AgentEvals、Patronus AI——正在各自占据不同的部署形态,选错栈的代价不是多花几美元,而是在模型更新后用一周时间才能发现你的Agent已经悄悄变蠢。

核心发现

一、三栈分离:为什么一个平台不够

graph TB
    subgraph "Agent评测三栈架构"
        CI["CI栈<br/>DeepEval / AgentEvals<br/>秒级回归 | Git审计"]
        EXP["实验栈<br/>Braintrust / Langfuse<br/>A/B对比 | Prompt竞赛"]
        PROD["生产栈<br/>LangSmith / Langfuse<br/>在线监控 | 漂移检测"]
    end

    CODE["代码提交"] --> CI
    CI -->|通过| STAGING["预发环境"]
    STAGING --> EXP
    EXP -->|胜出| PROD
    PROD -->|回归信号| CI

    style CI fill:#4CAF50,color:#fff
    style EXP fill:#2196F3,color:#fff
    style PROD fill:#FF5722,color:#fff

2026年之前的Agent团队通常只选一个评测工具——这是致命错误。原因是三层评测的约束完全不同:

维度 CI栈 实验栈 生产栈
速度要求 <30秒/测试 分钟级可接受 实时/近实时
数据来源 黄金数据集 实验数据集 真实流量采样
评判方式 自动化断言 LLM-as-Judge 人工+自动混合
成本敏感度 极低(每次运行<0.01美元) 中等 高(持续运行)
审计需求 Git可追溯 实验日志 合规报告
失败后果 阻断部署 影响实验结论 影响线上用户

Agent评测领域的关键洞察来自agentmode.ai的AM-122报告:"四个可信的2026 Agent评测平台不是在能力排名上竞争,而是各自适配不同的部署形态。按能力矩阵采购会得到错误答案。"

二、DeepEval:pytest原生的评测即代码

定位:工程团队首选的CI栈评测引擎

DeepEval是2026年增长最快的开源Agent评测框架,GitHub星标超过18K。它的核心设计哲学是"评测即代码"——所有评测用例都是pytest测试,可以像普通单元测试一样在CI中运行。

架构原理:

DeepEval的评测体系建立在"LLM-as-Judge"范式之上,但做了关键的工程化封装。每个评测metric都是一个pytest fixture,支持断言语法:

from deepeval import assert_test
from deepeval.metrics import AnswerRelevancyMetric, ToolCorrectnessMetric
from deepeval.test_case import LLMTestCase, LLMTestCaseParams

# 定义Agent测试用例
def test_research_agent():
    metric = AnswerRelevancyMetric(
        threshold=0.7,
        model="gpt-4o",
        include_reason=True
    )

    tool_metric = ToolCorrectnessMetric(
        threshold=0.8,
        should_call_tools=["search", "scrape"]
    )

    test_case = LLMTestCase(
        input="What are the latest AI agent frameworks?",
        actual_output=agent.run("What are the latest AI agent frameworks?"),
        expected_output="A summary covering LangGraph, CrewAI, AG2...",
        tools_called=agent.get_tool_calls(),
        expected_tools=["search", "scrape"]
    )

    assert_test(test_case, [metric, tool_metric])

核心优势: - pytest原生集成,零学习成本进入CI流水线 - 内置14种评测指标(AnswerRelevancy、Faithfulness、ToolCorrectness等) - 支持轨迹级评测(trajectory evaluation),验证Agent的工具选择序列 - 本地运行零API费用(使用本地Judge模型时) - Confident AI云平台提供可视化仪表盘

实战痛点: - LLM-as-Judge本身不稳定——同一个Judge模型在不同时间可能给出不同评分 - 轨迹评测需要手动定义"正确路径",对于开放式任务难以穷举 - 数据集管理较弱——黄金数据集的版本控制需要自己搭

变现/训练营评估:高。DeepEval的学习曲线平缓,"从0到Agent评测CI"的教程路线清晰,适合包装为"Agent质量工程"训练营的核心模块。目标学员:有Python基础的测试工程师、AI工程师。

三、LangSmith:可观测性+评测的一体化栈

定位:LangChain生态的观测评测一体化平台

LangSmith在2026年的定位已从"LLM可观测性工具"进化为"Agent引擎"。它不是纯粹的评测平台,而是把追踪(Tracing)、评测(Evaluation)和部署(Deploy)打包成统一栈。

架构原理:

LangSmith的核心差异化在于"trace-native eval"——所有评测都建立在完整的Agent执行轨迹之上:

from langsmith import Client
from langsmith.evaluation import evaluate

client = Client()

# 定义评测函数
def evaluate_agent(inputs: dict) -> dict:
    result = my_agent.invoke(inputs["question"])
    return {
        "output": result["answer"],
        "trajectory": result["intermediate_steps"],
        "tool_calls": result["tool_calls"]
    }

# 定义评判器
def trajectory_correctness(run, example):
    """检查Agent是否按正确顺序调用工具"""
    expected_order = ["search", "scrape", "summarize"]
    actual_order = [step["tool"] for step in run.outputs["trajectory"]]

    # 检查核心工具是否被调用
    used_correct = set(expected_order).issubset(set(actual_order))
    return {"score": 1.0 if used_correct else 0.0}

# 运行评测
results = evaluate(
    evaluate_agent,
    data="my-agent-dataset",
    evaluators=[trajectory_correctness],
    experiment_prefix="agent-v2"
)

核心优势: - 与LangGraph/LangChain深度集成,Agent trace自动采集 - 内置Prompt Playground,支持可视化Prompt迭代 - 人类反馈循环(Human Feedback Loop)——在评测中直接标注 - 支持在线A/B测试,把评测结果连回部署决策 - 2026年新增的"Agent Deploy"功能,评测和部署在同一个平台

实战痛点: - 强绑定LangChain生态——非LangChain Agent的接入成本高 - 云版定价对高频评测不友好(按trace计费,大量评测会快速累积) - 自托管版部署复杂,依赖较多

变现/训练营评估:中高。LangSmith的受众主要是LangChain生态用户,市场已被LangChain官方培训覆盖。差异化机会在于"LangSmith生产级Agent评测流水线"的进阶课程。

四、Braintrust:SaaS原语的评测即产品

定位:SaaS优先的评测基础设施

Braintrust在2026年以8亿美元估值成为评测赛道估值最高的独立公司(非LangChain系)。客户包括Notion、Stripe等。它的核心主张是"评测优先(Eval-First)"——把评测作为产品构建的原语而非附加功能。

架构原理:

Braintrust的架构围绕"实验(Experiment)"和"评分(Score)"两个原语构建:

import Braintrust from "braintrust";

const bt = new Braintrust();

// 创建实验
const experiment = await bt.experiment("agent-eval-v3");

// 定义评分函数
const toolAccuracyScore = {
  name: "tool_accuracy",
  scorer: async (input, output, expected) => {
    const correctTools = expected.tools.filter(t => 
      output.tools_called.includes(t)
    ).length;
    return correctTools / expected.tools.length;
  }
};

// 运行评测
const results = await experiment.evaluate({
  task: async (input) => myAgent.run(input),
  scores: [toolAccuracyScore],
  dataset: "agent-golden-v2"
});

// 自动对比基线
await experiment.compare("agent-eval-v2");

核心优势: - 真正的SaaS原生体验——API设计简洁,5分钟上手 - 内置基线对比——每次评测自动与历史版本对比 - "Loop Agent"自动优化——2026年新增的自主Prompt优化功能 - 支持结构化评分(不依赖LLM-as-Judge时更稳定) - 原生支持TypeScript和Python双语言

实战痛点: - 纯SaaS,不支持自托管——对数据合规敏感的企业是硬伤 - 免费额度有限,大规模评测成本快速攀升 - 与LangChain生态没有原生集成,非LangChain项目接入反而更简单

变现/训练营评估:中。Braintrust更适合已有AI产品的团队做评测基础设施升级,不太适合"从零开始"的训练营场景。

五、Langfuse:开源自治的观测评测双引擎

定位:最成熟的开源Agent评测+可观测性平台

Langfuse是2026年开源Agent评测赛道当之无愧的领导者。GitHub星标超过75K,支持完全自托管。它同时覆盖了实验栈和生产栈——本地评测、线上追踪、成本监控三合一。

架构原理:

Langfuse的核心是"Score-based Evaluation"——所有评测都抽象为对trace的评分:

from langfuse import Langfuse

langfuse = Langfuse()

# 创建评测数据集
dataset = langfuse.create_dataset(name="agent-eval-v1")

# 添加测试用例
for case in golden_cases:
    dataset.create_item(
        input=case["input"],
        expected_output=case["expected"]
    )

# 定义Agent执行函数
def run_agent(input_str):
    with langfuse.trace(name="eval-run") as trace:
        result = my_agent.run(input_str)
        trace.update(output=result)
        return result

# 运行评测
execution = langfuse.evaluate(
    name="agent-quality-check",
    data=dataset,
    func=run_agent,
    scores=[
        {"name": "accuracy", "config": {"model": "gpt-4o"}},
        {"name": "tool_efficiency"}
    ]
)

核心优势: - 完全开源(MIT协议),支持Docker一键自托管 - 底层使用ClickHouse,百万级trace查询秒级响应 - 评分体系灵活——支持LLM-as-Judge、人工标注、自定义规则三种模式 - 成本追踪精确到每次LLM调用、每个token - 与OpenAI Agents SDK有官方集成教程

实战痛点: - 自托管需要维护ClickHouse实例,运维成本不低 - 云版和自托管版功能差异正在缩小但仍存在 - 评测用例管理UI不如Braintrust直观

变现/训练营评估:高。开源+自托管是很多企业的刚需,"Langfuse自托管Agent评测平台搭建"可以作为2-3天企业内训的标准课程。

六、AgentEvals(LangChain):轨迹级评测利器

定位:专注Agent行为轨迹评测的开源库

AgentEvals是LangChain团队在2026年推出的轻量级轨迹评测库,独立于LangSmith运行。它解决的核心问题是:Agent评测不只看最终输出,更要看它走了什么路径到达终点。

架构原理:

from agentevals import TrajectoryMatch, ToolCallMatch

# 轨迹匹配评测
evaluator = TrajectoryMatch(
    # 参考轨迹:Agent应该走的"正确路径"
    reference_trajectory=[
        {"tool": "search", "input": "AI agent frameworks 2026"},
        {"tool": "scrape", "input": "top-3-urls"},
        {"tool": "summarize", "input": "scraped-content"}
    ],
    # 实际轨迹
    actual_trajectory=agent.get_trajectory(),
    # 匹配策略:strict | partial | semantic
    matching_strategy="partial"
)

score = evaluator.evaluate()
# score = 0.85 → Agent走了85%的正确路径

# 工具调用精确度评测
tool_eval = ToolCallMatch(
    expected_calls=["search", "scrape", "summarize"],
    actual_calls=[step["tool"] for step in agent.get_trajectory()],
    check_args=True  # 是否检查参数正确性
)

核心优势: - 极度轻量,pip install即用,不依赖任何云服务 - 轨迹匹配支持三种策略:严格匹配(exact)、部分匹配(partial)、语义匹配(semantic) - 与LangGraph集成时自动捕获Agent轨迹 - 支持轨迹距离计算——不只测"对不对",还测"偏了多少"

实战痛点: - 需要手工定义参考轨迹,维护成本高 - 对非LangGraph Agent的轨迹采集需要自己适配 - 目前只支持Python

变现/训练营评估:中低。作为评测工具链的一部分有价值,但独立作为训练营内容太薄。更适合嵌入到综合Agent工程课程中。

七、Patronus AI:从幻觉检测到数字世界模型

定位:研究级幻觉检测与模拟评测前沿

Patronus AI在2026年完成了一个关键转型——从"LLM幻觉检测器"进化为"数字世界模型前沿实验室"。它的核心竞争力是Synthetic Evaluation:用AI模拟各种极端场景来测试Agent的鲁棒性。

架构原理:

Patronus的核心产品是"Piec"——一个能自动生成对抗性测试用例的引擎:

from patronus import PiecClient, EvaluationSuite

client = PiecClient(api_key="...")

# 自动生成对抗性评测用例
suite = EvaluationSuite(
    agent=my_customer_service_agent,
    scenario="financial_customer_service",
    adversarial_modes=[
        "prompt_injection",    # 注入攻击
        "hallucination",       # 幻觉诱导
        "tool_misuse",         # 工具滥用
        "data_leakage",        # 数据泄露
        "regulation_violation" # 违规操作
    ]
)

# 运行模拟评测
results = client.evaluate(suite)
# 输出:每种对抗模式下的Agent失败率
# {
#   "prompt_injection": 0.34,  # 34%的注入攻击成功
#   "hallucination": 0.12,     # 12%的场景出现幻觉
#   "tool_misuse": 0.08,
#   "data_leakage": 0.22,
#   "regulation_violation": 0.15
# }

核心优势: - 对抗性评测是独有的——其他平台都不做"主动攻击"式评测 - 金融行业合规场景有明确需求(SEC、FINRA审计) - 2026年新增的"数字世界模拟"功能可以模拟整个业务环境 - OpenAI收购Promptfoo后,Patronus成为独立红队测试的首选

实战痛点: - 定价偏贵,主要面向企业客户 - 对抗性测试用例的质量依赖Piec模型本身 - API文档在2026年初仍不完善

变现/训练营评估:中。更适合嵌入到"AI安全"或"Agent安全工程"主题课程中。

八、公共基准的信任危机

2026年Agent评测领域最被低估的问题不是"用什么工具",而是"测什么"。公共基准正在经历严重的信任危机:

graph LR
    subgraph "评测信任链断裂"
        A["模型训练"] -->|"数据可能包含<br/>benchmark答案"| B["基准测试"]
        B -->|"分数虚高"| C["排行榜"]
        C -->|"误导决策"| D["生产部署"]
        D -->|"实际表现<br/>远低于预期"| E["线上事故"]
    end

    subgraph "断裂点"
        F["解决方案污染<br/>SWE-bench答案<br/>在git历史中"]
        G["环境漂移<br/>WebArena冻结在<br/>2023年的web"]
        H["方法论不透明<br/>多数提交不公开<br/>运行配置"]
    end

    F -.-> B
    G -.-> B
    H -.-> C

    style F fill:#f44336,color:#fff
    style G fill:#f44336,color:#fff
    style H fill:#f44336,color:#fff

benchmarkingagents.com在2026年4月的独立分析揭示了四个结构性问题:

1. 环境漂移:WebArena冻结在2023年的web应用快照,而真实web环境在2026年已面目全非。一个在WebArena上得分90%的Agent,在真实网站上可能只有40%的完成率。

2. 方差掩盖:Agent任务的输出天然不确定——同一个任务可能50%时间通过、50%时间失败。大多数基准分数不报告置信区间,一个"72%"的分数可能意味着[65%, 79%]的波动范围。

3. 解决方案泄漏:SWE-bench的任务来自公开GitHub仓库的issue,解决方案就在同一个仓库的git历史中。任何在任务创建之后训练的模型都可能"见过答案"。Verified子集部分缓解了这个问题,但风险是结构性的。

4. 基准-生产落差:SWE-bench Verified上72%的得分不意味着Agent能解决72%的真实软件工程工作。基准任务分布(12个Python仓库、特定issue类型)与现实工程团队的backlog分布完全不同。

来自独立评测的数据(benchmarkingagents.com,2026年4月):

基准 任务数 评测维度 SOTA(2026.4) 可信度
SWE-bench Verified 500 补丁通过率 ~72-80% 中(污染风险)
WebArena 812 页面状态/API ~65-70% 中低(环境冻结)
AgentBench 1,091 多环境完成 ~60-65% 中
OSWorld 369 桌面操作 ~38% 高(任务新鲜)
Tau-Bench - 工具增强NLP ~70-75% 中高
Terminal-Bench - Shell操作 ~55-60% 中高

OSWorld的SOTA只有38%,恰恰说明它是当前最难"作弊"的基准——真实的桌面操作没有git历史可以泄露。

九、实战选型:从场景到栈的映射

graph TD
    START["Agent评测需求"] --> Q1{"团队技术栈?"}
    Q1 -->|"Python/pytest"| DE["DeepEval<br/>+ AgentEvals"]
    Q1 -->|"LangChain/LangGraph"| LS["LangSmith<br/>+ AgentEvals"]
    Q1 -->|"TypeScript/SaaS"| BT["Braintrust"]
    Q1 -->|"自托管/合规"| LF["Langfuse<br/>自托管"]

    DE --> Q2{"需要生产监控?"}
    LS --> Q2
    BT --> Q3{"需要对抗性测试?"}
    LF --> Q4{"需要CI集成?"}

    Q2 -->|"是"| LF_PROD["Langfuse云版<br/>或LangSmith"]
    Q2 -->|"否"| DE_ONLY["DeepEval独立使用"]

    Q3 -->|"是"| PAT["Patronus AI"]
    Q3 -->|"否"| BT_ONLY["Braintrust独立"]

    Q4 -->|"是"| DE_CI["DeepEval CI集成"]
    Q4 -->|"否"| LF_ONLY["Langfuse独立"]

    style DE fill:#4CAF50,color:#fff
    style LS fill:#FF9800,color:#fff
    style BT fill:#2196F3,color:#fff
    style LF fill:#9C27B0,color:#fff
    style PAT fill:#f44336,color:#fff

场景一:初创团队快速验证

推荐栈:DeepEval(CI)+ Langfuse云版(生产)

这套组合的总成本在免费额度内就能覆盖:DeepEval开源免费,Langfuse云版免费额度足够日处理1000条trace的团队。关键是在CI中加入轨迹评测,确保Prompt修改不会导致Agent行为退化。

避坑指南:不要在CI中用LLM-as-Judge——太慢太贵。CI中只跑精确匹配和规则断言,LLM-as-Judge留给实验栈的离线评测。

场景二:中型企业合规场景

推荐栈:Langfuse自托管(全栈)+ Patronus AI(对抗测试)

自托管Langfuse确保数据不出内网,Patronus AI的对抗性测试满足金融/医疗行业的合规审计要求。部署成本:一台4核16G服务器即可运行Langfuse(含ClickHouse),月成本约200美元。

避坑指南:ClickHouse的磁盘IO是瓶颈——如果评测流量大(每天>10万条trace),建议用NVMe SSD。

场景三:AI原生公司全栈工程

推荐栈:DeepEval(CI)+ Braintrust(实验)+ Langfuse(生产)

三层评测完全分离,每层用最合适的工具。这个架构的成本最高但覆盖最全:DeepEval负责每次代码提交的回归测试,Braintrust负责Prompt/模型版本的A/B对比实验,Langfuse负责线上Agent的实时监控和异常检测。

避坑指南:三套系统意味着三套数据格式——需要自建统一的评测指标定义层,否则各平台的"准确率"不可比。

十、Agent评测的5级测试金字塔

2026年Paxrel的实战指南提出了Agent测试的5级金字塔,这是目前最实用的Agent质量工程框架:

级别 名称 测什么 工具 运行频率
L1 单元测试 解析器、格式化器、工具包装器 pytest 每次提交
L2 Eval测试 LLM输出质量(准确性、完整性) DeepEval 每次提交
L3 轨迹测试 Agent工具选择序列是否正确 AgentEvals 每次提交
L4 集成测试 端到端工作流在模拟环境中的表现 Langfuse 每日/每周
L5 回归测试 线上Agent行为是否发生漂移 LangSmith/Langfuse 持续

关键洞察:L1-L3是CI的职责,L4是实验栈的职责,L5是生产栈的职责。大部分团队的错误是把L4/L5的事情塞进CI——导致CI运行时间从30秒膨胀到30分钟,最终被开发者绕过。

代码示例——三栈联动的评测流水线:

# GitHub Actions CI 配置
name: Agent Eval Pipeline

on: [push, pull_request]

jobs:
  # L1-L3: CI栈(DeepEval + AgentEvals)
  ci-eval:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Install deps
        run: pip install deepeval agentevals pytest

      # L1: 单元测试
      - name: Unit tests
        run: pytest tests/unit/

      # L2: Eval测试
      - name: DeepEval quality checks
        run: deepeval test run tests/evals/
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}

      # L3: 轨迹测试
      - name: Trajectory evals
        run: pytest tests/trajectory/

  # L4: 实验栈(Braintrust)- 仅在main分支
  experiment-eval:
    needs: ci-eval
    if: github.ref == 'refs/heads/main'
    runs-on: ubuntu-latest
    steps:
      - name: Run Braintrust experiment
        run: |
          npx braintrust evaluate \
            --experiment "agent-v${{ github.sha }}" \
            --dataset "golden-v2" \
            --compare "agent-v_baseline"

十一、Promptfoo退场后的独立评测真空

2026年3月9日,OpenAI宣布收购Promptfoo。这次收购的战略意图很明确:把Promptfoo的红队测试和合规评测能力嵌入OpenAI Frontier企业Agent平台。对市场的影响是双重的:

正面影响:Promptfoo的开源项目将继续维护(创始人Ian Webster确认),但新功能会优先集成到OpenAI生态。

负面影响:Promptfoo是唯一一个同时支持"LLM输出评测"和"Agent安全红队测试"的独立工具。它退出后,需要两个独立工具才能覆盖同样的功能面——评测用DeepEval/Braintrust,安全用Patronus AI。

dev.to的调查显示,Promptfoo退出后市场正在寻找的五个替代方向: 1. DeepEval(红队模块正在开发中) 2. Langfuse(自定义Score函数可以实现部分红队功能) 3. Braintrust(结构化评分+Loop Agent的自动优化) 4. Patronus AI(最接近Promptfoo安全测试能力的独立替代品) 5. 开源Promptfoo(社区fork继续维护,但长期可持续性存疑)

十二、延伸:评测工程是Agent时代的新测试工程

2026年的Agent评测正在重走软件测试工程的发展路径——从"手工测试"到"自动化测试"到"测试驱动开发"到"持续测试"。对应关系是:

如果你是测试工程师,现在是进入Agent评测赛道的最佳窗口——传统测试的确定性和Agent评测的非确定性之间的鸿沟,正是你的经验最有价值的地方。不是去学LangChain怎么搭Agent,而是去学怎么用DeepEval给Agent写测试——这个技能在2026年比写Agent本身更稀缺。

参考来源

  1. Agent evaluation frameworks in 2026: DeepEval, Braintrust, LangSmith, Patronus — agentmode.ai — 四大平台部署形态深度对比,含采购决策框架
  2. AI Agent Benchmarks 2026 — benchmarkingagents.com — 独立基准评测参考,含SWE-bench/WebArena/OSWorld/Tau-Bench方法论和信任危机分析
  3. How to Test AI Agents: Evals, Benchmarks & CI — paxrel.com — 5级Agent测试金字塔和CI/CD集成实战指南
  4. OpenAI acquires Promptfoo — TechCrunch — OpenAI收购Promptfoo事件报道及市场影响分析
  5. Top 5 AI Agent Eval Tools After Promptfoo's Exit — dev.to — Promptfoo退出后五个替代评测工具的对比评测

[!tip] 51学通信知识星球 星主:爱卫生(微信:gprshome201101)——公众号「51学通信」创办者,19 年通信行业运维与讲师经验,著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书(各大电商平台有售)。 星球定位:深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域,主打运维岗位与信令分析。 当前规模:5200 篇主题 / 990 个回答,198 元/年。 加入福利:加入星球后请加爱卫生微信,拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题,另有群内分享。 AI 加持:51学通信知识星球已作为 skill 接入 WorkBuddy,使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例,做总结、找文档和 PPT 等场景全覆盖。

51学通信知识星球海报-扫码加入