评测、可观测性与安全推荐阅读

选二十个有代表性的小任务，比只展示一次成功演示更适合观察改动效果。阅读评测资料时，重点看任务如何初始化、成功怎样判定、失败记录保存什么，再把方法用到自己的系统上。

• OpenAI Evals：可复现 eval 任务与评估框架。
• OpenAI Agents SDK Tracing：Agent、handoff、tool、guardrail 的 trace。
• LangSmith Evaluation：数据集、实验、trace 与评测。
• AgentBench：多环境 Agent benchmark。
• SWE-bench：真实 GitHub issue 修复评测。
• OWASP Top 10 for LLM Applications：Prompt Injection、敏感信息和代理风险分类。

建议产出：至少 20 条固定 case 的 eval 表，记录期望、实际、失败分类、trace、成本和延迟，并接入回归执行。