Cortex Agent 评测：既检查答案，也检查工具执行过程

把问题、参考答案与执行轨迹结合，检查答案正确性和逻辑一致性，并比较不同配置的成本与延迟。

为什么值得关注：适合建立数据 Agent 的质量门槛，区分选错工具、执行出错和最终回答错误。