运行评测实验

eval run 是串联评测闭环的核心命令：它以一个评测集、一个或多个评估器，对一个已部署的运行时（评测目标）提交一次实验。评测集、评估器与目标均可用 ID 或名称指定，字段映射默认自动完成。

agentkit eval run --dataset qa-set --evaluator 相关性 --target my-agent

eval run

一次实验中有三层数据需要对齐：评测集字段 → 目标输入与输出 → 评估器输入。eval run 会按约定自动连接：

目标运行时约定以 user_input 为输入字段、actual_output 为输出字段；评测集的主输入字段（如 input）会传入目标的 user_input。
评估器中表示模型答案的字段（如 output）取自目标输出 actual_output；其余字段（如 input、reference_output）按同名从评测集取值。

多数场景无需手动映射。当字段名不一致时，用 --map 覆盖。

agentkit eval run --dataset qa-set --evaluator 相关性 --target my-agent \
  --map "output=target:actual_output" \
  --map "target:user_input=question"

建议首次运行前加 --dry-run，确认解析出的评测集版本、目标与字段映射无误：

agentkit eval run --dataset qa-set --evaluator 相关性 --target my-agent --dry-run

实验要求评测集有一个已提交的版本。若评测集只有未提交的草稿，eval run 会在提交前自动发布一个版本，版本管理无需手动介入。

提交成功后返回实验 ID，可用 eval experiment get 跟踪：

agentkit eval run --dataset qa-set --evaluator 相关性 --target my-agent --json
# → { "experimentId": "75901...", "name": "qa-set-2026-07-03-12-16-21" }