AWS 喺 2026年10月5日 喺自家 AWS Machine Learning Blog 發表文章，介紹 Amazon Bedrock AgentCore 嘅新功能 AgentCore Evaluations。AgentCore 係 AWS 嘅代理（agent，即會調用工具、執行任務嘅 AI 系統）構建平台，官方稱支援任何框架同任何模型。呢個評測功能係「全托管」，目標喺開發同生產兩個環境度代理嘅準確度、任務成功率同行為表現。
AWS 話，傳統評測只睇模型回覆質素，對代理系統唔夠，因為代理做錯唔止係講錯嘢，仲可能揀錯工具、走錯流程、違反業務約束。呢個評測功能分兩類：
- 內置評測器：針對 helpfulness（有冇幫到）、任務成功、指令跟隨等常見維度，提供預設評估，AWS 話唔使額外設定就做到 baseline。
- 自訂評測器：針對企業領域嘅深層驗證，讓團隊定義「識業務」嘅檢查項目。
文章特別將「可解釋性」列為一級評測維度。內置評測器負責評估回覆清晰度；自訂評測器則驗證代理有冇清楚講出決策理據、引用支撐數據或工具輸出、解釋取捨（例如成本對服務水平嘅權衡）。
演示用嘅係一間虛構嘅跨國零售商 AnyCompany Retail，場景為供應鏈決策。另外，AWS 將 AgentCore Evaluations 同 Amazon Bedrock Guardrails（提供內容過濾、禁題偵測、接地驗證等可配置安全控製）配對講：評測喺執行後評分，Guardrails 喺執行中強制安全約束。
要講明：以上全部來自 AWS 嘅單一廠商 blog。演示公司虛構，冇獨立第三方可重複數據，冇跑分，冇定價，冇本站實測紀錄。呢篇係功能解説，唔係本站實測。
對正考慮將多代理系統推上生產嘅團隊，呢種評測能力係其中一層，但唔係全部。阿調常問嘅三個問題仍然適用：模型點樣被調整、用户點樣被影響、邊個揸住權限？評測器可以度代理做錯咩，但度唔到邊個決定唔准代理做錯，又係邊個喺出錯之後執手尾。
阿調搞兩下：多代理系統呢兩年聲浪好大，「協作」兩個字好聽，但入屋之後做錯嘢，係代理嘅錯，定係寫提示詞嗰人？廠商話有評測、有 Guardrails，聽落周延，但所有數據都係廠商自己講，冇獨立證據。對打工仔嚟，最現實嘅問題唔係 AgentCore 幾勁，係你哋公司真係有得閒睇呢啲評測報告嘅人，定係只係交差？AI 代理要「交卷」，但攞卷睇嘅人，得唔得個老細。
阿調｜深度調教
