使用者任務（User Task）
         |
         v
+-------------------------+
|     Agent 執行軌跡       |  <- 記錄每一步：思考、工具呼叫、結果
|   (Execution Trace)     |
+-------------------------+
         |
    +----+----+
    |         |
    v         v
[離線評估]   [線上評估]
(Offline)   (Online)
    |         |
    v         v
+--------+ +--------+
|確定性  | |LLM-    |
|評分器  | |as-Judge|
|(Code)  | |(Model) |
+--------+ +--------+
         |
         v
+-------------------------+
|   多維度評分報告          |
|  - 任務成功率（GCR）      |
|  - 工具準確率             |
|  - 延遲 / Token 成本      |
|  - 幻覺率 / 安全性        |
+-------------------------+
         |
         v
  持續改善迴路（CI/CD）

# 範例：工具呼叫準確率評分器（確定性）
def evaluate_tool_calls(expected_calls, actual_calls):
    """
    expected_calls: [{"tool": "search", "args": {"query": "..."}}, ...]
    actual_calls:   [{"tool": "search", "args": {"query": "..."}}, ...]
    """
    if len(expected_calls) != len(actual_calls):
        return 0.0  # 步驟數量不符
    
    score = 0
    for expected, actual in zip(expected_calls, actual_calls):
        if expected["tool"] == actual["tool"]:  # 工具名稱正確
            score += 0.5
        if expected["args"] == actual["args"]:  # 參數完全正確
            score += 0.5
    
    return score / len(expected_calls)

# LLM-as-Judge Prompt 範本
JUDGE_PROMPT = """
你是一個嚴格的 AI Agent 評估員。

任務描述：{task_description}

Agent 的實際輸出：
{agent_output}

評估標準：
1. 目標達成度（0-10）：是否完成了用戶的核心需求？
2. 準確性（0-10）：輸出內容是否有事實錯誤或幻覺？
3. 效率性（0-10）：是否有不必要的步驟或工具呼叫？

請以 JSON 格式輸出：
{"goal_score": X, "accuracy_score": X, "efficiency_score": X, "reasoning": "..."}
"""

# GitHub Actions 範例結構
# .github/workflows/agent-eval.yml

評估流程：
1. 每次 PR 或 main branch push 觸發
2. 從 Golden Dataset 中取樣 50 個案例（快速評估）
3. 執行 Agent 並收集軌跡
4. 計算多維指標
5. 對比基準線（baseline）
   - GCR 下降 > 5%：失敗，阻止合併
   - 工具準確率下降 > 3%：警告
6. 生成評估報告，附在 PR comment