agent-eval-mcp

请使用 agent-eval-mcp 对本次提交生成的 AI 智能体回答进行评估，对比主分支基线结果；如果准确率、格式合规率或任务完成率低于阈值，则返回失败并给出指标明细。

一份包含评分、与基线差异、是否通过 CI 门禁及失败原因的评估结果。

请用 agent-eval-mcp 对比 v1 与 v2 两个智能体版本在同一测试集上的输出表现，统计成功率、幻觉率和响应一致性，并总结哪个版本更适合上线。

一份回归对比报告，展示关键指标差异、优劣分析和上线建议。

请通过 agent-eval-mcp 评估当前灰度版本的智能体输出，结合线上抽样结果与历史稳定版本比较，判断是否满足扩大流量的质量门槛，并输出建议。

一份灰度评估结论，包含关键质量指标、风险提示和是否推进放量的建议。