先定义工作流，不要先选模型
好的上线测试从真实工作开始：谁会使用输出、允许用什么数据、禁止做什么决定、什么失败不可接受。
- 运行提示词前，先定义成功和严重失败。
- 加入真实边界案例，不只测干净样本。
- 把客户侧、内部侧和系统间输出分开评估。
做一个小而认真的评测
准备 20 到 50 个代表性案例、至少两个候选 Agent、不稳定任务重复运行，并记录人工复核意见。分数和失败标签都要追踪。
决定上线模式
证据强就带监控上线；质量混合就先草稿模式；严重失败频繁就先改工作流，不要急着扩大自动化。
如何复用这套方法
评测方法可以被任何团队复用成小型内部评测。关键不是任务数量越多越好，而是任务必须覆盖真实工作、真实风险和真实输出格式。一个 30 条样本的认真评测，常常比 300 条泛泛 demo 更有价值。
- 先定义不可接受失败。
- 再准备代表性样本。
- 最后用同一规则比较候选 Agent。
证据应该怎样保存
建议保存原始输入、提示词版本、模型版本、运行日期、原始输出、人工评分和失败标签。这样后续模型变化、团队复盘或对外说明时，结果才可追溯。
上线前检查清单
把这套方法用于生产前，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
如果你正在评估这套方法，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。