Hermes Agent 调教实录（六）：怎么验收一个 AI Agent？——考卷 + 六维评估实战

基于 Hermes Agent v0.20.0 实测（2026-08，deepseek-v4-flash）

📖 摘要：Agent 怎么验收？考卷选「约束敏感型」任务（无约束不自觉、有约束会遵守），六维评估（成功率/达标率/修正/成本/稳定性/退化），取证可复现。v1 考卷漏「事实准确」用例，格式全对但事实错误的输出满分通过——报告类任务必带事实核对。

场景：最怕交付的东西「看起来能用，验收说不清」

做 AI 应用交付，最怕一句话：「看起来能用，但你说不清它到底行不行。」

「看起来能用」——演示的时候，Agent 表现得像个老手，格式工整、回答专业。「验收说不清」——客户问「你凭什么说它合格？」「如果它这次行、下次不行怎么办？」，你拿不出证据。

我做软件测试出身，对「验收说不清」有生理性反感。所以从第一个 Agent 交付项目开始，我们就给 Agent 立了一套验收体系。这套体系在实验线里反复使用（六个批次 200 多次会话都用它验收），今天把它完整拆给你。

验收的三个前提

第一，验收的是「配置」，不是「模型」。 Agent 的能力 = 模型能力 × 配置质量。模型是固定的（你选哪个就是哪个），变量在配置——约束、记忆、技能、交付包。验收要回答的是：「这套配置让 Agent 表现如何」，而不是「模型强不强」。

第二，选对考卷任务。 不是所有任务都适合当考卷。我们的考卷选的是「约束敏感型」任务——无约束时 Agent 不自觉做，有约束时 Agent 会遵守。这种任务才能测出配置的效果。普通问答任务（「什么是 RAG」）测不出任何配置差异。

第三，要有对照组。 不跑基线就测变体，等于没有标尺。我们的流程是：无配置基线先跑一遍，考卷自检通过，才开测各变体。

考卷设计：4 个约束敏感型任务

我们的标准考卷（v2）有 4 个任务，覆盖 Agent 配置的 4 个关键能力：

每个任务都有细分的验收用例（TC），比如 T3 有 5 个用例：中文标题 / 来源标注 / 无表情 / 字数 160-240 / 事实准确。

注意最后一个用例「事实准确」——这是 v1 考卷的教训。第一版考卷我们没测事实准确，结果有个变体在报告里把「三个变体 36 轮实验」写成了「双变体 24 轮」，报告写得漂亮（格式全对、来源全标），但事实是错的，验收照样满分。补上事实准确用例后，这类问题无处可逃。

六维评估：一次成功率、达标率、自我修正、成本、稳定性、退化风险

考卷给出「用例过没过」，六维给出「整体表现如何」。整体流程：

六个批次实验里，这套六维体系判出了很多「看起来差不多、实际差很远」的配置——比如第四篇的全家桶（达标率 96.1% 只比单层低 4 个点，成本却是 2.66 倍 vs 1.44 倍），只看达标率你会觉得「差不多」，六维拉满才看到成本维度的巨大差异。

取证：验收要能「复现证据」

验收报告不能只给结论，要能给证据。我们的取证三层：

1. 会话记录：每次验收会话的完整记录存档（谁跑的、跑了几轮、用了什么工具）

2. 用量数据：token 消耗、工具调用次数（成本维度的事实来源）

3. 产出物：每个任务的实际输出文件（判定依据，可回查）

证据的关键是「可复现」：验收跑了 3 轮，每轮都有记录——客户问「为什么 3 轮？」「为什么这次没过？」都能指着记录回答。

验收体系的实战效果

这套体系在实验线里验证了自身：

• 抓出事实错误：v1 考卷漏了事实准确用例，B 变体的事实错误溜过去；v2 补上后，同类问题 100% 暴露

• 量化「配置值多少钱」：单层结构化 vs 无约束，达标率 100% vs 88.2%——这套数据直接支撑了交付报价（约束不是玄学，是有实测收益的）

• 云端复现：结论从实验环境迁到云端生产环境复验（达标率 94.1% / ~97%，成本比率 1.56× 与实验一致）——验收过的结论，换环境也站得住

实战坑

适用边界

• 这套验收体系测的是「配置效果」，不是「模型能力榜单」——模型对比要另设实验

• 考卷任务可替换：按你的交付场景定制「约束敏感型」任务即可（判断标准：无约束不自觉、有约束会遵守）

• 六维里的成本维度依赖模型定价——换模型后绝对值失效，但「相对比率」参考性依然成立

模板（可直接复制）

验收报告最小结构：

# Agent 验收报告

- 验收对象：<配置描述>

- 环境：<Agent 框架版本> + <模型>（<日期>）

- 考卷：T1-T4（各含 TC 明细）

| 维度 | 结果 | 证据 |

|------|------|------|

| 一次成功率 | X% | 会话记录 |

| 任务达标率 | X% | 用例判定表 |

| 自我修正 | N 次 | 会话记录 |

| 成本 | X tokens/轮 | 用量数据 |

| 稳定性 | 3 轮一致/不一致 | 轮次对比 |

| 退化风险 | 低/中/高 | 变更回归记录 |

结论：<通过/不通过 + 一句话理由>

验收的三句话：考卷选约束敏感型任务，六维看整体表现，取证做到可复现——「看起来能用」要变成「有据可查地能用」。