修改Prompt/更换模型后，如何确认智能体能力是提升还是退化

问题现象

调整提示词、更换底层模型、增删工具之后，无法量化判断新版本效果，上线存在幻觉、答非所问、工具调用错误风险。

问题原因

单次评估只能看到当前版本结果，缺少版本横向对比。

解决方案

1. 基于同一评测集，分别对新旧版本的智能体执行离线评估任务。创建评估任务请参见创建离线评估任务。
2. 使用评估任务结果对比功能，对照两份评估报告，识别能力提升点与退化点，辅助版本迭代决策。对比操作具体请参见对比评估任务结果。