智能体评测与评估体系调研：从共享底座到分层建设

报告在原 v1.0 基础上重组章节与表述，补齐 DeepEval、Ragas 来源，收窄 MLflow、OpenTelemetry 与 Google 的表述边界，并区分 AWS 与 Langfuse 的在线能力。核心结论与 P0–P2 优先级不变：两类场景共用基础设施但须保留四类口径；先建私有回归集与结果评分器，再补轨迹诊断与在线采样。未取得项继续列为证据缺口。