用评测驱动 Agent 迭代，而不是靠主观感觉修修补补

Agent 开发里最危险的阶段，是“感觉它好像更聪明了”。

只要缺少稳定评测，很多修复都可能引入新的退化。一个更可靠的做法是先回答：

• 这次改动要改善哪个切面？
• 失败样本能否复现？
• 成功标准是业务答案、工具覆盖、还是证据链完整？

当评测维度明确后，迭代就会从“拍脑袋调参”变成“围绕失败模式逐项收敛”。