要判断 AI agent 表现如何，需要清晰数字。跟踪 accuracy、precision、recall 与 F1 score 衡量正确性；ranking 任务用 mean average precision 或 ROC-AUC。若用户与 agent 交互，监控 response time、latency 与 failure rate。Safety metric 统计 toxic 或 biased output，robustness test 检查 agent 如何处理 messy 或 tricky input。Resource metric（memory、CPU、energy）显示能否 scale。选择与目标匹配的 metric，与 baseline 比较，并跟踪各版本趋势。