“evals” 相关开源项目

Terminal-Bench 团队推出的框架，用于在容器环境中评估和优化智能体与语言模型。

开源、可自托管的 AI 可观测性平台，用于追踪、评估和调试 LLM 应用与智能体。

围绕 AI 智能体的外围框架（harness）设计，整理了相关的工具、模式、评测、记忆、MCP、权限与编排资源的精选列表。