AI 说办好了，怎么证明？

AI Agent 评测速览

客服 AI 回复“重复扣款已退”，支付系统却没有退款记录。这不是语气问题，而是验收问题。

判断一个 Agent，抓住三张“证据单”：

结果：订单、金额和退款记录真的核对了吗？
过程：工具用对了吗，审批和风控走了吗？
代价：耗时、调用次数、重试是否可接受？

开测前先写清成功条件。以退款为例：找对交易，只退正确金额；需要审批就暂停；完成后在系统里查到记录。不同操作顺序都可能成功，不必强求同一条路径。

测试别只放顺利案例。缺订单号、金额不符、工具超时、已退款、需要人工审批，都要试；同一案例多跑几次，每次复位环境。硬事实交给程序核验，解释质量按明确标准评估，严重风险由人工复核。别让平均分盖住“退错钱”。

Agent 的“完成”只是一句话；可核验的业务结果，才是通过。