Google 把 Agent 评估接上生产：同一套分数，能不能让质量循环成立？

7 月 31 日，Google 宣布 Gemini Enterprise Agent Platform 的 Agent 与模型评估服务进入 GA。它把开发阶段的测试用例、Agent 执行 trace、统一指标和上线后的质量漂移告警接进同一条链路。1

本期先还原一条完整评估循环：定义 eval case，执行 Agent，记录输入、输出和工具调用的 trace，再计算指标、分析失败、验证优化。Google 文档把 trace 定义为一次 Agent 行为的事实记录；评估既可以跑本地开发用例，也可以评估生产流量或外部日志。2

随后把重点放到线上：Online Monitor 会从 Cloud Trace 和 Cloud Logging 中按过滤条件取样，调用评估服务，再把结果写入 Cloud Monitoring；文档描述的常见调度间隔约为 10 分钟。它需要 Agent 导出包含会话、输入输出、系统指令和工具定义的 OpenTelemetry 信号，也需要用采样控制成本。3

最后讨论落地边界：20 多种预置指标、自定义代码指标和模型评审指标，解决的是测量与反馈基础设施，不会自动替团队决定回滚、收紧权限或接受一次错误的自动修复。质量告警可以按整体分或单项指标配置，示例包括任务成功率在 30 分钟窗口内低于 80%。4

听完可以带走一个判断：没有可复现的 trace，线上分数只是报表；没有受控的人工复核与回滚，红色告警也不是安全边界。