给你的法律 Agent 搭一套可量化的评测系统

最近给法律 Agent 搭工作台，提示词改了一版又一版。今天清单细了，明天引条准了，可整体到底变好没？全凭印象，根本答不上来。

后来我给自己磨了把尺子：一套场景分、一套行为分，再加个锁死的答案键。跑完盲测，19 件产物拿了 103 分。这才发现漏得离谱——违约金只盯住甲方，没算乙方的封顶护身符；日千分之五的费率，也没换算成年化 182.5% 摆出来。

更扎心的是跨场景一致性专检。客户底线是至少收回 12 万，模型推演后居然悄悄降到了 6 到 9 万。单看每份文书都没毛病，拉平全案才发现它在偷偷动客户的授权。按规矩，这项不过，整期分数直接作废。

修完重跑，又冒出个尴尬事：10 个评分点根本没法评。测试输入里压根没埋这些坑，答案键却写着该扣分。原来尺子刻度自己都糊了，量出来的数怎么能拿去比？

现在我只认一条死理：改完代码必须重新量。量过之后，至少知道该改哪，也知道改完有没有真变好。