Hodnocení AI agentů je systematické zkoušení toho, jak agent zvládá úkoly v podmínkách podobných skutečnému provozu. Test může sledovat nejen text odpovědi, ale také volbu nástrojů, pořadí kroků, dodržení pravidel, čas nebo dosažení výsledku. Stejný případ se často spouští vícekrát, protože agent může pokaždé zvolit trochu jiný postup. Výsledky pomáhají porovnat verze modelu, odhalit regrese a zjistit, zda vlastní plugin, skill nebo jiná úprava přináší skutečné zlepšení.
