对Agent评测同时记录token、工具调用与耗时

目标

为Agent迭代建立可比较的工具调用量、token数与运行时基线。

步骤

1. 选择固定评测数据集和运行配置，记录模型与SDK版本。 [efficiency]
2. 读取 tool_call_count_v1、inference_call_count_v1、token_usage_v1 与 invocation_duration_v1。 [efficiency]
3. 比较变更前后质量与资源指标，并标注样例数和测量限制。 [efficiency]
4. 对明显退化的工作流优化工具计划或上下文，再重新运行同一基准。 [efficiency]

验证方式

结果表同时列出质量分数、模型调用、工具调用、token与时延，可在相同设置下比较。

故障处理

若用量不可比，确认样例、并发和模型版本一致；效率指标本身不代表质量通过。