本地化不是翻译
本地化输出应该保留意图，同时调整语气、格式、客户预期和市场习惯。直译可能流畅，但仍然不适合使用。
- 用本地读者复核语气。
- 检查日期、价格、礼貌程度和声明强度。
- 在表层表达变化时保持品牌含义稳定。
应该评测什么
用产品发布文案、广告标题、价格页本地化、日文商务邮件改写和客户成功摘要来测试 Agent 的覆盖范围。
怎么持续改进
把好例子保存成市场专属风格参考。模型更新后要复测，因为本地化质量可能在总分稳定时发生变化。
怎么把对比结果用于真实选型
模型对比最适合作为候选清单，而不是最终采购结论。读者应该先确认自己的主要语言、任务类型、风险等级和预算，再把文章中的候选 Agent 放进同一套真实样本里复跑。
- 客服场景优先看政策边界和升级能力。
- 写作场景优先看本地语气和品牌一致性。
- 抽取场景优先看合法 JSON、缺失字段和字段准确率。
需要复核的分数盲区
平均分很容易掩盖风险。一个 Agent 可以靠大量低风险任务拉高整体表现，但在退款、法律、账单、安全声明或结构化输出中出现少数严重错误。真正上线前，必须把这些高风险任务单独拿出来看。
上线前检查清单
把这个对比用于生产前，建议至少完成一次小规模复测。复测不需要复杂系统，但要覆盖真实输入、边界案例和失败后的处理方式。
- 是否有明确的人审和升级规则？
- 是否记录了模型版本和评测日期？
- 是否知道哪些输出不能直接发送或写入系统？
- 是否准备了失败后的回滚或人工接管方案？
读者可以马上做的下一步
如果你正在评估这个对比，可以从 10 条真实样本开始：3 条普通案例、3 条边界案例、2 条高风险案例、2 条格式或语言要求严格的案例。让 2 到 3 个候选 Agent 同场运行，再比较输出质量、修复时间和严重失败。