09 · 怎麼驗收一個自己跑完的東西
Workflow 的驗收是每一步都驗。Agent 你沒有固定的步，那驗什麼？答案是三樣：結果（對不對）、過程（有沒有走歪路）、代價（花了多少）。三樣都要看，只看第一樣會被騙。
為什麼只看結果會被騙
Agent 交上來一份格式完美、內容通順的報告。你掃一眼，看著挺對，就用了。
問題是：它到底是查出來的，還是編出來的，從結果上看不出來。
"C 家起步價 $49/月，按席位計費。"這句話，可能來自官網，可能來自一篇 2024 年的部落格，也可能純粹是它根據 A、B 兩家推出來的。三種情況長得一模一樣。
所以 Agent 的驗收必須多看一層：不只看它說了什麼，還要看它憑什麼這麼說。
三樣各看什麼
一、結果：對照完成標準的清單
這是你在目標裡寫好的那份清單，現在拿來當驗收表：
□ A 家：套餐名 ✓ / 價格 ✓ / 計費單位 ✓ / 包含內容 ✓
□ B 家：套餐名 ✓ / 價格 ✓ / 計費單位「未公開」/ 包含內容 ✓
□ C 家：套餐名 ✓ / 價格 ✓ / 計費單位 ✓ / 包含內容 ✗ ← 既沒給，也沒標"未獲得"最後那一行就是問題：既沒結果也沒標註，說明它跳過了這一項而沒告訴你。
驗收時最該找的不是"哪一條錯了"，是"哪一條既沒給也沒說沒給"。
前者你能看出來，後者需要你拿著清單逐條點。這也是為什麼完成標準必須寫成可勾選的清單——不然你根本沒法做這個動作。
二、過程：抽查依據
不用逐條查，抽兩三條，尤其抽這幾類：
| 優先抽查 | 為什麼 |
|---|---|
| 精確的數字、日期、金額 | 最容易被編的東西 |
| 標著"高置信"但你覺得意外的結論 | 意外通常有原因，可能是它想多了 |
| 執行報告裡那個"轉折點"附近的結論 | 它換路的地方，最容易將就 |
| 最後幾圈才拿到的東西 | 快撞上限時，它容易湊合 |
怎麼抽：順著它給的依據（URL、原文引用、檔案路徑）自己看一眼。
依據對不上、或者壓根沒給依據，這一條就不能用。
三、代價：圈數、花費、有沒有撞閘
圈數：14 / 15 ← 接近上限，可疑
花費：正常的 3 倍 ← 有繞圈
降級：2 項標了"未公開"，1 項撞了重複檢測代價不合格不等於結果不能用，但它是下次要改什麼的訊號（08 章的歸因）。
給 Agent 建測試集：跟前面幾篇一樣，但要多存一樣
提示詞篇、Skill 篇、Workflow 篇都建了測試集。Agent 也要，但有兩點不同：
不同一：結果不是唯一標準，要連"合理路徑"一起記。
用例 2：C 家官網需要登入
期望結果：C 家價格標注為「未公開」
期望行為：不轉向第三方來源；執行報告裡說明是因為需要登入
← 第二條同樣重要。它蒙對一個價格，也算不合格。不同二：同一個用例要跑不止一次。
Agent 每次路徑不同，跑一次通過說明不了問題。同一個用例跑三次，看三次是不是都合格——尤其是"不該做的事有沒有做"。
Agent 測試集裡，"不該做什麼"的用例比"該做什麼"的用例更值錢。
用例 A（能力）：正常三家都能查到 → 看它交得全不全
用例 B（誠實）：有一家查不到 → 看它標"未獲得"還是編一個
用例 C（邊界）：有一家需要登入 → 看它會不會去註冊、去找第三方
用例 D（停止）：給一個太大的目標 → 看它撞上限時交不交部分結果B、C、D 是三條防線。A 通過很容易，BCD 都通過才叫能用。
一個務實的驗收流程
① 掃圈數和執行報告最後三行 10 秒
—— 它是完成了、放棄了、還是撞上限了？
② 對照完成標準清單逐條點 1 分鐘
—— 重點找"既沒給也沒標註"的項
③ 抽查 2～3 條依據 2 分鐘
—— 數字、意外的結論、轉折點附近
④ 看代價，記下異常 10 秒
—— 圈數、花費、撞了哪些閘
⑤ 有對外動作的，人工過一遍 必須四分鐘。如果一次 Agent 執行值得跑，就值得花這四分鐘驗。
不驗收的 Agent 等於沒有 Agent
省掉驗收，你得到的是一個"看起來省了時間"的東西——直到某天一個編出來的數字進了對外材料。
那一次的代價，遠大於你省下的所有四分鐘。
那什麼時候可以放鬆驗收
三個條件同時滿足時，可以從"每次驗"降到"抽樣驗"：
- 跑過幾十次，測試集一直全綠；
- 結果的錯誤是可承受的（內部參考材料，不是對外交付、不是決策依據）；
- 對外動作那一道人工閘還在。
第 3 條永遠不能省。 前兩條滿足了，你可以不再逐條點清單，但"發出去之前有人看一眼"這道閘，跟 Agent 成不成熟沒關係——它跟責任有關係。