评测、验证与发布

评测衡量一批任务上的表现，验证为一次运行的具体断言提供证据。企业Agent需要同时回答：是否完成业务目标，是否遵守权限和预算，产物能否被独立核查，以及换模型或数据后表现是否仍可信。单一回答评分无法覆盖这些问题。

建议从任务合同、代表性数据和可重放Trial开始，再按终态、工具、轨迹、检索、记忆与安全定位失败。评分层组合确定性验证、语义Judge和专家校准；统计层处理重复可靠性、置信区间与持出污染。最后通过模型升级矩阵、shadow、canary和回滚把证据连接正式发布。

金融、教育与法律应添加各自的时序、学习效果与权威效力标准。通用平台提供一致记录和门禁，领域包定义正确性与风险，任何总分都不能抵消越权或严重事实错误。