现在有什么好用的评测框架去客观评价 Agent 能力吗

有开发者寻求可客观评估并比较 Agent 不同版本的评测框架，重点考察耗时、token 消耗、目标达成率、路径长短及工具调用积极性等指标。其团队目前主要靠 AI 编写脚本运行客户案例并自行制定标准对比，但面临缺乏复用价值且难以形成统一标准的问题。