附录 B：评估速查表

七维度评估清单

维度	名称	关键问题	优先评估方法
1	Intent Satisfaction	Agent 是否构建用户真正想要的？	Session prefix rubric + LLM-as-judge + Human review
2	Functional Correctness	代码是否构建、运行、通过测试？	Automated functional testing (pytest, jest)
3	Visual and Behavioural Correctness	渲染页面是否正确？	Browser-based testing + Multimodal judge
4	Cost and Efficiency	Token 成本、迭代次数、收敛速度？	Observability metrics + Session outcome tracking
5	Code Quality and Convention	是否匹配项目风格规范？	SAST/linters + Human review + LLM-as-judge
6	Trajectory Quality	是否采取合理路径？	Trajectory inspection + Agent-as-judge
7	Self-Repair Behaviour	失败时是否有效恢复？	Trajectory inspection + Session convergence

评估方法组合建议

生产级评估管道组合：

第一层：自动化基线检查
├─ Automated functional testing (维度 2, 5)
├─ Security and safety evaluation (跨维度)
└─ Browser-based testing (维度 3)

第二层：智能评估
├─ LLM-as-judge (维度 1, 5, 6)
├─ Trajectory inspection (维度 6, 7)
└─ Online evaluation sampling (所有维度)

第三层：人工校准
├─ Human review (维度 1, 5, 安全)
└─ User corrections mining (失败模式发现)

外部校准：
└─ Standardized benchmarks (认知能力基线)

---