非 Coding 任务 Agent 评估方法及 Benchmark

对于非 Coding 任务的 Agent 评估，目前业界还没有一个完全统一的标准或框架。不过，一些通用的评估方法可以被采用，包括功能性测试、效率测试、用户满意度调查等。功能性测试主要关注 Agent 是否能够按照预期执行任务，效率测试则评估 Agent 完成任务的快慢，而用户满意度调查则从用户的角度出发，了解他们对 Agent 的使用体验。至于 Benchmark，不同的任务领域可能会有不同的基准测试，例如在客户服务领域，可能会使用如平均响应时间、问题解决率等指标作为 Benchmark。而在信息检索领域，则可能使用准确率、召回率等指标。由于非 Coding 任务的多样性，因此 Benchmark 的选择也会有很大的不同。总的来说，评估非 Coding 任务的 Agent 需要综合考虑多方面的因素，并根据具体的应用场景来选择合适的评估方法和 Benchmark。