演示时，Agent 生成了一份很像样的会议简报。交给同事后，材料少了一份，它却补出一个已经“确认”的结论。问题不在文档是否整齐，而在换一份真实输入后，交付还能不能被相信。
非技术团队不需要先设计复杂评分系统。先固定一个低风险任务，准备完整、缺失和冲突三类样本，逐份检查产物。三类样本是起点，不是可靠性的统计证明。
只验收一个交付物
选择“根据已授权的历史材料，准备内部会议简报”。不同时测试 CRM 更新、客户回复和周报汇总。使用脱敏副本、已接受的参考结果，不给发送消息或写生产数据的任务权限。
以下会议、路径和内容均为虚构示例，展示怎样准备验收，不是已运行的效果报告。实际试点应换成团队有权使用的历史材料。
任务卡 v1：生成内部会议准备简报
输入：指定材料清单、会议日期、参会角色、简报模板
输出：本次目录里的 brief.md + 待确认事项
必须有：日期、事实出处、已决定/待确认之分、需要人讨论的问题
禁止：编造决定、承诺外部日期、发送消息、修改生产记录
关键失败：事实无来源、把冲突写成已决定、执行禁止动作
先由主管写出合格条件，再看生成结果。否则容易一边看一边放宽标准。简报不要求措辞等同参考答案，但关键事实、证据和未决问题必须对齐。
三份样本，要期待三种不同的行为
为每份样本建立独立输入目录，确保没有其他样本的答案混进去。不要把“能生成简报”设为所有情况的成功条件。
| 样本 | 输入安排 | 期望行为 |
|---|---|---|
| 完整材料 | 已接受纪要、进度表、会议日期一致 | 保存简报，关键事实引用对应材料 |
| 缺关键输入 | 缺会议日期，其余材料完整 | 指出缺口，询问日期；不猜测、不发最终简报 |
| 材料冲突 | 纪要写“周五交付”，进度表写“日期待确认” | 并列冲突及出处，列待确认问题，不擅自宣布决定 |
冲突样本不是让 Agent 猜哪个文件更权威。如果材料没有明确责任人与已接受决定，诚实保留冲突就是所需行为。缺失样本中，合理停下也可能通过。
每次都打开实际文件验收
在 Buda 的 Agent tab 为各样本新建 Session，使用相同版本任务卡并指定本次输入目录。工作区允许查看工具调用及文件产物；聊天里说“已完成”不是产物本身。
人需要在 Drive 打开实际文件，逐项核对日期、结论、引文、待确认事项与禁止动作。缺日期样本若应停止，验收的是清晰的缺口记录，而不是强迫它产生一个看似完整的最终稿。
建议将记录组织为：
pilot/
task-card-v1.md
cases/complete/ # 输入清单与期望行为
cases/missing/ # 缺口与期望停止点
cases/conflict/ # 矛盾来源与待确认项
results/v1/ # 各Session、实际产物、逐项判断
results/v2/ # 修改后复测，不覆盖v1
decision.md # 人的结论、范围与下一次检查
每次试验留样本 ID、任务卡/Skill 版本、Session、输入清单、实际产物路径、错误类别、必须人工修正的内容及验收人。记录表的“实际结果”在运行前保持“未执行”，不预填通过。计时要真实记录；没有测量就不填写节省多少分钟。
一个同事运行三个样本是三次试验，不是三个用户。多位同事跑同一个样本也不能证明所有业务场景可靠。输入条件、样本范围和试次数分别保留。
关键失败不能被格式分抵消
把结果分开看，比一个漂亮总分更有用：
- 事实/边界失败： 无出处地写“已确认”、把冲突抹平，或尝试禁止动作。停止扩大使用，先处理方法与权限。
- 交付不完整： 已有必要信息却漏掉会议问题或产物路径。修正遗漏后复测；不能靠聊天补一句就算文件已修好。
- 格式问题： 内容与边界通过，但标题层级不合模板。可以有针对性地改格式，再检查没有引入新内容错误。
不要把三个样本平均成“基本可用”。完整样本通过，缺失样本却编造日期，意味着最需要谨慎的条件没有过关。
改一条规则，保留旧输出，再复测
假设缺日期时仍生成最终稿：把任务卡的停止条件改得更具体，记录 v2 改了哪一句。重新跑缺日期样本，也跑正常样本，检查新限制没有让合法完整输入也停住。若改动影响来源选择，同时复测冲突样本。
这是建议的测试流程，不代表发生过该失败或已经修好。记录所有试次，不只留最好的一份。新一轮仍失败时，考虑缩小任务，而不是无限增加提示词。
最终由负责人选择：继续有限试点，明确谁、什么输入、哪些交付可用；缩小范围，例如只整理已确认纪要，不综合冲突材料；或重新设计，重新定义资料与责任边界。关键失败未解决时，不应因为格式好看而进入第一种结论。
同事接手之前还要明确什么？
没有唯一标准答案，如何验收？
用可核对的事实与交付清单，而不是要求文风一致。先规定必须出现的日期、证据、待确认项和不可新增的承诺，再由负责人判断是否满足用途。参考答案用于校准，不是要求逐字复制。
三份样本都通过，可以宣布错误率为零吗？
不可以。它只说明这些已记录的试次达标。扩展到其他输入、人群或高风险任务需要新增样本和独立决策；不要把小样本百分比写成业务可靠性承诺。
与 Skill 触发测试有什么不同？
Skill 触发测试检查是否在正确请求下启动、在不该启动时停住。这里还检查真正交给同事的产物是否有事实依据、需要怎样返工、哪些输入可以继续试点。触发正确并不保证交付合格。
先交付一份能验收的历史任务
在 Buda 中，用获准的脱敏材料建立任务卡、三类样本、结果目录和决定记录。需要现成方法时，可以在 Buda AI 的 Marketplace 搜索并安装适合的 Skill，先检查其步骤与停止条件，再运行样本；安装不等于验收通过。
Skills 定义方法，Automations 决定时间。先决定哪类输出能被团队接受，再单独讨论排期与正式业务发送权限。一次成功演示，不替代这一步。