引入评价标准：构建能够自我评估和修正工作的智能体

Deep Agents 最近推出了 RubricMiddleware，这是一个为智能体添加自我评估和修正能力的中间件。在复杂任务中，智能体往往无法一次性完美完成任务，而 RubricMiddleware 通过定义明确的标准，让智能体持续改进直到达标。

该工具的核心是一个独立的评分智能体，它在主智能体运行结束后，根据用户设定的评价标准（如“所有测试通过”或“函数名正确”）进行审查。如果某些标准未满足，评分智能体会提供具体反馈，然后主智能体根据反馈再次运行。这一循环会持续到所有标准满足或达到最大迭代次数为止。

RubricMiddleware 的使用非常简单：首先定义中间件，配置评分模型、提示词、工具和最大迭代次数；然后将其附加到主智能体上；最后在调用时提供人类消息和评价标准。例如，在代码生成任务中，智能体的首次尝试可能通过部分测试，但评分智能体发现某个测试失败并给出具体错误信息，智能体据此修正代码，最终通过所有测试。

这种机制显著提高了智能体在关键任务上的可靠性。通过将评估和修正过程自动化，开发者无需手动检查输出并重新运行，从而节省时间并减少错误。目前 RubricMiddleware 处于测试阶段，API 可能发生变化，但已提供完整文档供开发者参考。

与 Claude Code 或 Codex 中的 /goal 类似，但 RubricMiddleware 更加灵活，因为评估由专门的评分子智能体处理，它可以调用工具、推理完整的对话记录，并返回每个标准的反馈。这使得智能体能够精确知道需要修正什么，而不是仅仅收到“再试一次”的泛泛提示。

在实际应用中，假设你要求智能体编写一个 Python 函数 find_duplicates，该函数接受一个列表并返回出现多次的元素（按首次出现顺序）。智能体的第一版代码可能看起来正确，但使用 run_test_suite 工具进行测试后，评分智能体发现测试 test_unhashable 失败：函数在遇到列表中的不可哈希类型（如列表）时抛出 TypeError。智能体根据这个反馈进行修改，第二次迭代就通过了所有测试。

RubricMiddleware 的引入解决了智能体输出的概率性问题——相同的提示词有时成功有时失败。通过将检查变异的负担从开发者转移到系统，开发者只需定义一次“完成”的标准，循环就会处理其余工作。每个重试都是有依据的，评分智能体确切指出问题所在。

该中间件目前处于测试阶段，API 可能发生变化。有关配置、可观测性和评分标准持久化的完整指南，请参阅文档。