随着计算技术的飞速发展，软件和智能系统的复杂性不断增加，如何准确有效地评估它们的表现成为业界和学术界关注的焦点。传统上，程序的正确性和性能主要依赖类型系统和测试工具，但随着机器学习模型以及更具自主性的智能体（Agents）的出现，评测方法也在不断拓展和深化。一种新兴的观点认为，类型、测试和评估构成了从静态保证到动态验证再到综合性能评价的逐层递进体系，表达为 “Types ⊂ Tests ⊂ Evals”。理解这一体系，有助于我们更好地设计和优化未来的软件与智能系统。程序类型作为形式化的静态验证手段，其理论根基是Lambda演算及其扩展。类型系统通过对输入输出数据类型的约束，为程序提供了基础的行为保证。
随着依赖类型和线性类型等先进理论的发展，类型系统在表达程序性质和资源使用约束方面能力不断提升。然而，类型系统本质上是对代码结构的静态检查，难以捕捉诸如排序算法排序方向等行为语义细节。也就是说，即使类型检查通过，程序仍可能在实际行为上不符合预期。这就引出了测试的重要性。测试作为动态验证手段，通过运行程序并检查其输出结果，能够针对具体场景验证程序行为是否符合需求。单元测试、集成测试以及系统测试等多层次测试策略构成了开发过程中保障质量的关键环节。
测试覆盖了代码运行时的边界条件和异常情况，弥补类型系统在行为语义上的不足。但测试同样存在局限，它无法完全证明缺陷的不存在，只能在一定程度上提高置信度。对于现代软件来说，尤其是包含对资源消耗、运行效率及依赖关系的管理，测试通常需要配合性能测试和其他专门的度量工具。此外，测试结果通常是通过通过率或错误数量来衡量，缺少结构化的多维度评分体系，这在面对复杂优化任务时限制了其效用。机器学习模型的评估则主要依赖基准测试（benchmarks）和各种统计指标。由于模型的行为是基于数据驱动的模式匹配，而非明确的程序规则，传统的类型系统和测试方法难以直接适用。
评估指标如准确率、召回率、F1分数、BLEU值和困惑度等，提供了对模型泛化能力和实际效果的量化测量。这些指标本质上也是动态测试的形式，但更多集中于概率统计意义上的性能表现，而非二元正确与否。这种基于数据和概率的评估模式，为衡量智能体复杂行为和输出提供了必要手段。进入智能体时代，评估体系面临新的挑战和机遇。与传统的程序和机器学习模型不同，智能体不仅能执行代码，还能自主生成新程序、新模型甚至新智能体，实现了自我复制与自我进化。这种能力使得传统的静态类型检查和单一测试方案显得力不从心。
智能体的行为复杂多样，涵盖迭代改进、问题分解以及创新方案生成，表现出符号计算与神经网络计算的混合特性。如何统一对这类混合系统的评估，成为了当前研究的重要方向。提出“Types ⊂ Tests ⊂ Evals”的观点，意味着类型检查是最基础的评估，测试是更广泛的动态验证，而评估（Evals）则涵盖了所有前述及更多维度的考量。评估不仅关注功能正确性，还涵盖准确度、资源消耗（如CPU、内存、网络带宽）、延迟、依赖关系、安全性等多重指标，形成多维度的综合评分体系。这样的统一理论有望推动智能体的质量保证和自动优化。建立正式的智能体评估理论，能够带来诸多突破性效益。
通过定义统一的评估指标和计算框架，可以实现广泛的自动化进化搜索，促成不同智能体及其组合方案的自动生成与优化。基于多维度的评估分数，开发者可以更细致地分析智能体在质量与成本之间的权衡，指导资源分配和性能调优。理论还将拓展传统复杂度分析，涵盖质量复杂度、成本复杂度及约束条件的更丰富刻画。更具前瞻性的是，智能体评估理论有可能支持双模执行机制：一方面支持传统符号执行获得准确的运行结果，另一方面结合可微分编程思想，实现代码及智能体行为的梯度优化。这种融合将人工智能与程序设计的优势相结合，推动智能体技术进入全新的发展阶段。总体来看，理解类型、测试与评估之间的递进关系，是把握现代计算评测体系演进的关键。
随着智能体不断突破人类开发边界，评估体系也必须从静态保证走向更加丰富和多样化的性能度量。构建统一且正式的智能体评估理论，不仅是学术挑战，更是实现高效、可靠、可持续智能系统的基石。未来，只有在这样的理论支持和实践基础上，智能体才能真正发挥出其自适应和自我优化的巨大潜能，助力科技发展迈向新高峰。
