企业级 AI 架构 · 番外：评测生产化

上篇刚把“要评测”立住，这篇补上怎么让 Agent 每天自动测。

评测得变成持续工程。数据集钉死版本，每次合并代码就跑回归，结果还得能追溯对比。

拿合同审查举例，5 份样本命中 15 处只是个开始。生产里得补畸形条款和跨类型混淆，每条标清严重度，再加一列期望零命中的反例防误报。核心样本冻结，新样本先进实验集观察。

Pi 侧直接调函数接进 CI，命中率下降或误报上升门禁就红；DSH 侧则靠 mock 和轨迹回放闭环。两边共用同一份引擎和期望，保证两极同证。

不过有个大坑：eval 跑通不等于质量好。15 命中只证明规则引擎没错，不代表真审出了风险。得看任务成功率、幻觉率和人工抽检一致率，再拿真实流量做在线评测，让门禁跟着生产一起转。