任务完成与业务结果评测

结果是业务状态和可用产物

任务成功不只指Agent说“完成”。对于研究，要有可访问的报告、来源和未决项；对于内部更新，要在权威系统读到新状态；对于通知，要区分生成、提交、送达与用户可见。先确定验收边界，再决定哪些证据足够。HTTP成功、文件存在或文本流畅都只是局部信号。

成功条件采用组合判定

建议将业务目标、必需产物、权限与政策、禁止副作用和证据可重放设为独立维度。高风险硬条件全部满足后，再判断开放内容的覆盖与质量。保留成功、部分完成、等待输入、主动拒绝、超时和失败等原因，分别报告其占比。一个请求因缺少必要证据而正确暂停，可以是安全行为，但不能虚报业务目标已经完成。

让评价接近实际使用

产物检查除schema外，还要确认内容非空、关键数字可复算、引用可访问、下载可打开、适用时点正确。由专业用户抽样判断是否可以用于下一步，并记录审阅、修订、返工和升级所耗时间。满意度与正确性分开：用户不喜欢一个税务或投资结论，并不证明它错误；点赞也可能来自自信文风。

防止总分掩盖严重缺陷

同时报告任务成功率、严重错误率、未完成率、人工介入率、每成功任务成本和尾延迟。按风险、任务家族和角色切片，不让高频简单问答冲淡低频重大错误。固定验收合同版本，变更后保留新旧口径对照。该体系是业务设计建议，具体阈值要由领域owner和样本不确定性决定，不能把一个通用百分比当作所有Agent的上线标准。

记录分母和结束原因

将完成、部分完成、正确暂停、用户取消、超时、工具故障和严重失败分别计数，声明哪些进入主要成功率分母。需要人工补齐才能用的产物，不能与无需修改的交付合并成同一个成功桶。若系统承诺先准备草稿，正确待审批可以是成功终态；若承诺已送达，则必须检查收件侧证据。合同变化会改变成功定义，历史成绩应保留原版本。