第30篇：Vibe Coding时代：LangGraph 评估体系实战，解决 Agent 效果只能凭感觉判断的问题

第30篇：Vibe Coding时代：LangGraph 评估体系实战，解决 Agent 效果只能凭感觉判断的问题

一、问题场景：Agent 到底有没有变好，全靠感觉

做 Agent 最大的问题之一是：

改了 Prompt、换了模型、加了 RAG、调整了流程，但不知道效果到底有没有提升。

常见判断方式：

我感觉这版更好 这次回答看起来不错 这个模型好像更聪明

这在 Demo 阶段可以，但工程化不行。

真实项目需要回答：

1. 新 Prompt 是否比旧 Prompt 好？ 2. 接入 RAG 后准确率是否提升？ 3. 小模型能否替代大模型？ 4. 多 Agent 是否真的更稳定？ 5. 测试通过率是否提高？ 6. 成本是否下降？ 7. 延迟是否可接受？

本文要解决：

如何给 LangGraph Agent 建立基础评估体系，让优化有数据依据。

二、Agent 评估应该看什么？

建议至少看 6 类指标：