Google Developers Blog 于 10 月 15 日发布文章《Evaluating AI agents: moving past the vibe check》，指出智能体失败方式与普通软件不同：它可能陷入重试循环、反复调用工具，却仍给出看似合理的回答，从而推高 token 成本、耗尽下游 API 配额，甚至在外部系统中造成重复副作用。作者建议以关键用户旅程（CUJ）而非抽象基准来定义成功，先手工用“红笔”逐条阅读 5 至 20 条执行轨迹，再把笔记转化为确定性的布尔通过/失败检查。文章给出了 Day 0 到 Day 2 的渐进式落地路径：借助开源 agent-eval 工具包捕获 OpenTelemetry 轨迹，并接入 Gemini 平台上的 Agent Evaluation 服务，最终把检查固化为 CI/CD 门禁。