MLflow 通过执行轨迹、评估数据集、自定义评分器和实验跟踪，支持对智能体技能的输出与执行行为进行评估和迭代。教程以退款技能为例，检查决策正确性、业务规则遵循情况及工具调用顺序，并将生产中的失败案例加入数据集用于回归测试。示例补充了访问订单数据前须验证身份的指令后，正确工具选择得分从 43% 提升至 98%。
阅读原文