最近在做 agent 能力评估方面的工作，想问下各位佬有没有比较好用的评测框架可以客观的比较 agent 不同版本在各个维度上的差别，比如耗时，token 消耗，目标达成率，路径长短，工具调用积极性之类的，公司同组同事的做法都是让 ai 写脚本去跑一些客户案例，然后自己定标准去比较，但是这种一般没有复用价值，也形成不了标准