当前的 LLM 评估工具生态系统已经相当成熟，得到了来自 Accenture、Salesforce 和 Alibaba/ModelScope 的贡献，涵盖了完整的评估生命周期，包括单元测试、基准测试、红队测试以及 LLM 作为评判者的功能。一个显著的发现是，即使是 GPT-5 在真实世界的 MCP 任务中也仅取得了 43.72% 的成绩。评估工具 promptfoo 是一个广泛使用的 CLI 和库...