在AI辅助编程日益普及的今天，一个令人头疼的问题浮出水面：相同的输入和提示词，却总能得到不同的输出结果。这种不确定性严重阻碍了AI代理（Agent）在代码编写中的可靠性。知名身份认证平台WorkOS的工程师Nick Nisi，近期通过构建一套实用的评估系统（evals），为这个行业性难题提供了可借鉴的解决方案。他主要针对两款AI工具进行改进：一是基于命令行的脚手架工具`npx workos@latest`，它能自动在项目中安装身份认证套件AuthKit；二是WorkOS的代理技能系统，用于支撑关于单点登录(SSO)、目录同步和基于角色的访问控制(RBAC)等功能的LLM（大语言模型）响应。该评估系统的核心在于，如何针对真实且复杂的项目结构进行测试，如何对每次输出都不同的生成结果进行量化评分，以及如何准确捕捉AI代理“编造”出根本不存在的API方法或函数这类幻觉问题。这一工作流不仅提升了WorkOS自身产品的鲁棒性，也为其他面临类似问题的开发团队提供了从“能用”到“好用”的关键技术路径。