团队已经把 Agent 接进了自己的业务：智能客服、代码工具、数据分析……持续的监控也非常重要，
- 模型换了一个版本，回答质量是变好了还是悄悄退步了？
- 用户问的问题五花八门，智能体的回答到底有多少是「及格」的？
- 要求模型返回 JSON，结果它偶尔给你来一段自由发挥，下游直接报错？
- 线上每天成千上万次调用，靠人肉抽查，能查出多少问题？
观测云的 Agent 监测，此前已经帮大家解决了一些基础的问题：全链路追踪每一次对话的完整流程，精确计量每一次生成消耗的 Token，把 Agent / LLM 请求与整个应用链路关联起来做根因分析。
这次更新，我们把观测智能体回复质量这一块补齐了。
Agent / LLM 质量输出评估，正式上线。
它支持 Prompt Eval 和 Schema Eval 两种评估器，提供在线评估与批量评估两种执行方式，并配套完整的评估结果分析能力。从此，**Agent 输出好不好，系统替你打分，用数据说话。**
两种评估器：一个管内容质量，一个管结构正确
Prompt Eval：用提示词，给智能体内容质量把关
Prompt Eval 通过提示词对智能体的输入或输出进行判断，适用于内容质量、相关性、完整性和安全性等评估场景。
举个例子：你可以写一个评估提示词，让评估器扮演「严格的评审」，检查每一次客服智能体的回答是否真正解答了用户的问题、有没有编造不存在的信息、语气是否得体。评估结果按你定义的评分规则输出，比如 0–100 分，或者「通过 / 未通过」。
配置 Prompt Eval 只需要两件事：
- 评估提示词：明确评估目标、判断标准和返回格式——标准写得越清晰，评估结果越稳定；
- 评估结果及评分规则：什么样的输出算通过，分数怎么给。
本质上，这是「**用 AI 评估 AI**」，把你脑子里的质量标准，变成一条可以 **7×24 小时自动执行的规则**。
Schema Eval：结构化输出，字段、类型、结构一个都不能错
很多场景里，智能体按照特定结构返回合法的 JSON、字段齐全、类型正确，下游系统才能稳定消费。
Schema Eval 就是为此而生：配置目标 Schema，系统自动检查模型输出的字段、类型和结构是否符合要求。适用于所有要求模型返回 JSON 或其他结构化内容的场景。
评估器全生命周期：模板起步，试运行验证，发布生效
观测云把评估器的使用路径设计并调试得非常顺滑：
1. 选择评估器 Skill 模板：开箱即用，快速起步；
2. 选择评估目标类型：明确你要评的是智能体输入还是输出；
3. 配置评估输入及判断规则；
4. 使用测试数据试运行：测试结果会完整展示评估输出、评分或结构校验结果，不满意就调整提示词、Schema 或判断规则，再测，直到结果符合预期；
5. 确认无误，一键发布：发布后的评估器才能用于正式评估任务。
先测试再发布的机制，确保每一条上线运行的评估规则，都是经过验证的。
两种执行方式：线上持续盯防 + 历史批量回扫
在线评估：给线上流量配一个质检员
在线评估用于持续检查线上产生的Agent调用数据。选择目标应用和评估器，配置好需要评估的数据范围，任务启用后，系统就会按照配置对符合条件的数据自动执行评估。
使用评估器，每一次线上调用都有机会被质检。质量水位是涨是跌，看评分趋势就知道，而不用等用户投诉上门。
评估与 Trace 是打通的。在 Trace 详情页，你可以直接看到这一次调用的评估面板：最终结论（通过 / 未通过）、每个评估器的单项得分、通过 / 未通过 / 执行异常的统计，以及评估器给出的评估理由。链路、Token、风险告警、质量评分——一次调用的所有关键信息，同屏呈现。
批量评估：历史数据，一次回扫
批量评估用于评估指定时间范围或查询条件下的历史模型调用数据，四步即可发起：
1. 选择目标应用；
2. 设置时间范围及筛选条件；
3. 选择需要使用的评估器；
4. 确认并启动评估任务。
两个非常实用的场景：
- 上线前回归：改了 Prompt、换了模型版本？先对历史真实数据跑一轮批量评估，新旧对比一目了然，上线更有底气；
- 存量问题排查：怀疑某类问题的回答质量一直不好？框定条件，批量扫一遍，用评分验证猜想。
评估结果分析：分数和改进的线索
在评估结果页面，你可以完整查看：
- 评估器及评估方式；
- 评估状态；
- 评分或规则校验结果；
- 模型输入和输出（评得低的那次，模型到底答了什么，直接点开看）；
- 评估时间；
- 失败原因。
同时支持按应用、评估器、评估状态、时间范围等条件灵活筛选。无论是宏观上看质量趋势，还是微观上逐条复盘 Bad Case，都有据可依。
> 小提示：评估结果取决于模型输出、评估提示词及 Schema 配置。建议在正式启用评估任务前，先用具有代表性的测试数据验证评估器效果——评估器本身，也是需要「观测」的。
