最多 5000 条：火山引擎用三列评测集约束 Agent 实验

最多 5000 条：火山引擎用三列评测集约束 Agent 实验

火山引擎 AgentKit 文档《管理评测集》的页面最近更新时间是 2026.08.24 16:08:00。这一页把评测集定义成开始实验之前必须先备好的标准化测试数据。默认列有三列。input 是给 Agent 的标准输入。reference_output 是预期输出，给评估器当基准。actual_output 是 Agent 的实际输出，文档写明它通常用于线上 Trace 回流。

硬限制

文件侧的限制写得很具体。一个评测集最多 5000 条测试数据，文件不超过 200 MB，自定义列最多 50 个。列名只能是英文、数字和下划线，并且必须以英文字母开头。数据类型用来挡住导入时对不上的行。草稿里已经有数据之后，不能再改列的数据类型和是否必填。

设计时要盖住的四件事

文档把用户问题的设计收成四条。第一条是核心链路要通，覆盖各个功能点，并用接近真实对话的典型问题核对产品设计和业务需求。第二条是难度和领域都要有，多种任务时各类样本量要均衡。第三条是极端和异常输入，包括超限输入和违规输入，用来找出响应达不到预期的场景。第四条是把用户反馈里不合理的响应补进测试集，确认新版本已经按预期处理这些问题。

从草稿到能进实验的版本

新建之后系统给的是草稿。手动添加一次最多 10 条。也可以用 csv、xlsx 或 xls 导入，一次一个文件，同样不超过 200 MB。导入可以选择在原数据上追加，或删掉原数据后全量覆盖。

数据加完后状态是「修改未提交」。文档写明，只有提交成正式版本的评测集才能在评测实验里使用。首个版本号通常写成 0.0.1。之后的用法分成三段。数据完备阶段提交首版并关联实验，做全量评估。评估验证阶段用实验报告定位要改的样本。优化升级阶段改完数据集再提交新版本，重新关联实验。草稿上的修改不会改写已经提交的历史版本。历史版本如果关联过实验，还可以按那个版本回溯当时的数据。

删除评测集或删除数据项都不能恢复。评测集详情页可以直接新建实验，并查看已经关联的实验。实验本身怎么跑，这一页没有写并发条数、评估器个数和打分刻度。

字节跳动，火山引擎，管理评测集，2026-08-24，https://www.volcengine.com/docs/agentkit/management-evaluation-set