マルチターンのエージェントは、シングルターンの評価では見逃されるような形で失敗します。初期の1回のミスが、その後のすべてのターンを台無しにしてしまうのです。この記事では、エージェントの品質を測定するための、分解可能でターンレベルの評価方法であるエージェント評価メトリック（AEM）を紹介します。その最初の次元である正しさ（correctness）に適用することで、失敗を引き起こしたターンを特定し、それを引き継いだターンから分離します。