LLM 智能体工具与技能评测的可估计量与有效性批判综述

该综述检查了 100 篇引用论文，并从 35 项研究中提取评测设计，分析工具与可复用技能在 LLM 智能体中的评估有效性。研究指出，同一任务上的配对运行不能识别调用效应，配对增益和回归计数仅反映耦合协议下的不一致性，而非期望结果恶化的任务占比；部署模块的总效应与预算约束下的效率回答不同问题。综述提供方法学综合与报告清单，以对齐工具与技能相关声明与其评测设计所支持的对比。