《智能体企业落地实战》系列第8篇。
智能体说“已完成”，业务系统里真的完成了吗？Anthropic 在 2026 年 1 月的智能体评估文章 中，明确区分了执行过程和环境中的最终结果；7 月的评估活动说明 继续强调，单轮回答测试会漏掉多步骤任务中的问题。
本篇所说的验收，是由业务和技术人员共同检查：企业智能体是否在授权范围内完成任务，结果能否使用，复核和返工的代价是否可接受。
“处理完了”要能在业务系统里核对
假设企业准备让智能体协助处理售后工单。以下为验收设计示例，不是实际客户案例。
用户提交产品故障说明，智能体查找保修条款，整理建议，再提交给售后专员。若首期范围只到建议草稿，验收就应核对草稿是否关联正确工单、依据能否查到、缺失信息是否列明。系统不能因为生成了建议，就把工单标成已解决。
若经批准可以更新工单，还要检查实际改了哪个字段，是否写入正确对象，专员能否看到。一次调用没有报错，也可能没有保存成功。建议让验收人员直接核对系统记录，确认演示界面的提示与实际结果一致。
答案质量与操作质量需要分别记录。解释准确但未保存，属于交接失败；保存成功却关联错客户，属于对象错误。它们需要不同的修复方法，合成一个总分会丢掉这一区别。
测正常任务，也要测它该停下来的时候
验收材料若都是信息完整、权限齐全的工单，只能说明系统在这些条件下表现如何。真实运行还会遇到附件缺页、同名产品、过期条款、权限不足和系统超时。
企业可以把这些情况写进测试任务，同时注明期望行为：需要补问、转交人工，还是等待查询结果。停止处理本身也可能是正确结果。资料不足时生成确定结论，才应被记为失败。
建议将越权读取、未经确认对外发送、错改客户记录等列为上线前必须解决的问题，由项目负责人明确通过标准。这类错误不宜用其他任务的高分抵消。具体底线应按业务后果确定，不能拿另一行业的准确率直接套用。
还应模拟一次结果不明的操作。例如工单提交超时，智能体先查记录是否已保存；确定没有提交成功后，再按规则重试。否则同一个请求可能生成重复工单。发生异常时，售后专员应能接管原任务，不必从头找材料。
换模型以后，用同一批任务重新验证
模型升级、提示词调整、知识资料更新，都可能改变结果。要判断变化，建议保留固定的业务测试任务及标准，把旧版本和新版本放在相同条件下比较。
Anthropic 的评估文章区分了能力测试和回归测试：前者检查尚未做好、需要提升的任务，后者保护已经具备的能力。企业可以据此分别保存已通过的任务，以及待解决的难题，避免只展示新版本擅长的部分。
相同任务也应重复运行，观察结果是否稳定。保修条款引用偶尔正确、偶尔引用过期版本，仍需要查清。测试记录要保留当时的模型、规则、资料版本和权限条件，才能让下一次比较成立。
对明确字段和系统状态，可以用程序核对；涉及解释是否充分、建议是否合适，则需要业务人员判断。模型评分可辅助筛查，但应先与人工判断校准。业务专家有分歧的任务，先明确标准，不宜用一个自动分数掩盖分歧。
测试材料还应与调试材料分开。反复用同一份工单修改提示词，再把它作为验收依据，只能证明系统对这份材料适应得更好。建议保留未用于调试的同类任务，由业务人员检查，观察它处理新输入的表现。
把复核和返工也算进成本
如果报价只列模型调用费，企业还看不到完整的任务成本。附件处理、系统查询、失败重试、人工复核，都可能消耗资源；智能体输出越难检查，专员花在复核上的时间越多。
建议按一个可比期间计算：运行费用、人工复核与返工费用相加，再除以验收通过的任务数。运行费用中要包含失败尝试，人工费用采用企业一致的核算方式。开发投入和固定维护费用另行列明，方便判断扩大使用范围是否值得。
若没有验收通过的任务，先记录失败费用，不计算成功任务单价。
时间也要按全程比较。原来专员从收件到交出可用建议要多久，现在准备、等待、复核和返工合计多久。如果总时间没有改善，要找到被增加的步骤，再决定调整任务还是继续投入。
费用不能孤立决定验收。低成本方案如果需要专员重新核对全部材料，也可能失去采用价值。业务负责人应同时查看通过任务的质量、处理时间和人工负担。
每个失败，都应留下下一次检查的依据
OpenAI 当前的智能体评估文档 说明，执行过程记录可以帮助判断工具选择、任务交接和指令执行的问题。企业排查失败时，也应能看见它用了哪些资料、执行了什么操作、停在哪一步；记录范围按权限与敏感信息要求设置。
可以从一次失败工单开始：由售后负责人说明正确处理方式，技术人员定位是取错资料、规则含糊还是保存失败。修好后把任务加入测试，再检查原有任务有没有退步。OpenAI 2026 年 9 月的工作流文章 也把异常反馈、测试和人工复核作为持续改进的一部分。
下一次验收，请供应商带来任务结果、原始依据、系统记录和复核工时，让经办人实际接手一次。企业智能体验收，要看业务结果和返工成本。
可信金科开展垂类业务系统与智能体开发，重视业务规则、结果留痕和人工复核。评估试点时，可先明确一项任务的通过标准，再讨论模型、接口和维护安排。
系列阅读：系列目录 · 上一篇：金融智能体上线的五项准备
