AI（企業向け） 【2026年版】AIエージェントの「評価・トラジェクトリ採点」設計ガイド——「動いた」と「正しく仕事をした」は別物｜タスク成功率・ツール呼び出し精度・軌跡効率をτ-bench／LLM-as-Judgeで継続採点し、CIで回帰を止める
「デモでは完璧に動いたエージェントが、本番リリースのたびにどこか壊れる」「最終的な答えは合っているのに、なぜか余計なツールを叩いて遅い・高い」——AIエージェントを本番運用し始めた開発者から、こんな相談が急増しています。
従来のソフ...