Evals für nicht-deterministische Systeme messen ein System, das auf dieselbe Eingabe jedes Mal anders antworten kann, ein einzelner Lauf beweist dort also nichts. Die deterministischen Teile deckt ihr mit Unit-Tests ab, alles andere lasst ihr viele Male laufen und vergleicht die Verteilung der Erfolgsquoten mit einer festgehaltenen Baseline. Bewertet wird dabei nicht nur die Antwort, sondern auch der Weg dorthin, also die Schritte und Tool Calls des Agenten.