AEMA：面向可信赖、受控 Agentic LLM 系统的可验证评估框架

评估基于大语言模型（LLM）的多智能体系统仍是一项关键挑战，因为这些系统必须在不断演化的任务上展现可靠的协调、透明的决策与可验证的性能。现有评估方法往往局限于单次响应打分或狭窄基准，在企业环境的多智能体规模下部署时缺乏稳定性、可扩展性与自动化。我们提出 AEMA（Adaptive Evaluation Multi-Agent），一个过程感知、可审计的框架，在人类监督下对异构智能体工作流进行多步骤评估的规划、执行与聚合。与单一 LLM-as-a-Judge 相比，AEMA 实现了更高的稳定性、与人类更一致，并提供支持可问责自动化的可追溯记录。我们在以真实业务场景模拟的企业风格智能体工作流上的结果表明，AEMA 为基于 LLM 的多智能体系统的负责任评估提供了透明且可复现的路径。关键词：Agentic AI、多智能体系统、可信赖 AI、可验证评估、人类监督。