Πώς μπορούμε να αξιολογήσουμε έναν πράκτορα εκτός από το LLM-as-a-Judge: ποια κριτήρια να χρησιμοποιήσουμε για να καταλάβουμε αν λειτουργεί σωστά ή κοντά στο σωστό;