Agent 评测就是新的单元测试

发生了什么

Agent 的行为是非确定性的，一次提示词微调可能修好一个 case、同时悄悄弄坏另外三个。没有评测集的团队，往往要等几周后从一张客服工单里才知道。

对交付团队意味着什么

评测集把提示词工程从「凭感觉」变成「工程」。用 30 到 50 个代表性场景给每次改动打分，你才真的能判断某次修改是不是改进。

可以立刻做的事

从你已经见过的失败开始。把每一个写成一个带明确通过条件的场景，接进 CI，然后拒绝合入任何让分数下降且没有书面理由的 Agent 改动。