6. Evaluation and Benchmarking of LLM Agents: A Survey

  • 类型：arxiv
  • 标识：2507.21504
  • 链接：https://arxiv.org/abs/2507.21504
  • 主题：agent, engineering, evaluation, llm-infra, multimodal, rag, risk
  • 主分类：evaluation
  • 形态：survey
  • 被引：189
  • 被引来源：Semantic Scholar
  • S2被引：189
  • 影响力被引：5
  • TLDR：An in-depth overview of the emerging field of LLM agent evaluation is provided, introducing a two-dimensional taxonomy that organizes existing work along evaluation objectives and provides a framework for systematic assessment, enabling researchers and practitioners to evaluate LLM agents for real-world deployment.
  • DBLP DOI：10.1145/3711896.3736570
  • DOI：10.1145/3711896.3736570
  • DOI来源：DBLP
  • DBLP Venue：KDD 2025
  • Venue：KDD 2025
  • Venue键：kdd
  • Venue来源：DBLP
  • DBLP Key：conf/kdd/MohammadiLLY25
  • DBLP URL：https://dblp.org/rec/conf/kdd/MohammadiLLY25
  • DBLP更新：2026-08-21
  • 标题中文：LLM Agent 的评估与基准测试：综述
  • TLDR中文：本文对 LLM agent 评估这一新兴领域进行了深入综述，提出一个二维分类体系，沿评估目标维度组织已有工作，为系统性评估提供框架，使研究者与从业者能够面向真实场景部署评估 LLM agent。
  • 副分类：agent
  • 待LLM分类：否
  • 来源文件：
  • /inbox/tom/2026-06-13-agent-rag-longcontext-radar.md
  • [S2 enrich]
  • [DBLP venue]

可复用信息

    • 依赖外部攻击LLM（弱模型降低成功率）
    • 评测覆盖有限（模型家族、工具、pipeline拓扑）
    • 多模态agent、紧密耦合RAG系统、强沙箱场景可能不同
    • 分类标签：agent-security, adversarial-attack, safety, tool-using-agent
    • 建议操作：进入agent安全主题页，关联其他agent攻击研究
    • arXiv：2507.21504v1（注意：编号异常，可能是2025年7月）
    • URL：https://arxiv.org/html/2507.21504v1

写作用途

  • 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
  • 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
  • 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
  • 可用于系统实现、实验平台或工程约束说明。
  • 可用于局限性、风险、失效模式和未来工作。

待补齐

  • BibTeX / 正式引用格式
  • 方法与实验设置细节
  • 与现有工作的差异点
  • 是否有代码和数据集