智能体验收不能再停留在“回答是否流畅”或“模型参数是否领先”。企业真正要验收的，是系统能否在权限可控、过程可追踪、异常可接管的前提下，稳定完成一项真实业务任务。2026年5月8日发布的《智能体规范应用与创新发展实施意见》，已将任务理解、任务规划、工具使用、长期记忆、互认互通和群体协同列为关键技术方向，这意味着验收对象应从单一模型扩展为完整的任务闭环。
先定义任务，再定义指标
企业应以具体流程建立基准集，而不是先选模型再寻找应用场景。测试样本既要包含标准输入，也要覆盖口语化表达、信息缺失、指令矛盾和高风险请求。一个合格的验收任务，至少应明确目标、业务约束、允许调用的工具、完成条件以及必须转人工的情形。
指标可分为四层。认知层关注目标识别、约束理解、澄清能力和拒绝不当任务的准确性；规划层关注步骤是否完整、依赖关系是否正确，以及工具失败后能否重试、改道或暂停；执行层关注参数校验、工具调用、数据一致性和关键动作确认；治理层则关注权限、日志、人工接管、记忆删除和异常处理。计划写得完整，不代表任务已经完成，最终应以端到端完成结果和关键步骤错误情况为依据。
指标必须匹配风险
不同业务不能使用同一套验收权重。知识问答可以重点考察内容准确性和人工复核效率；涉及财务、供应链、人力或客户数据的流程，则应提高越权拦截、审计留痕、人工审批和数据隔离的权重。能调用工具，也不等于可以直接执行高风险操作；能保存记忆，也不等于可以无限期保留所有信息。
验收文件还应明确测试数据、异常场景、服务等级、故障责任、数据归属和退出机制。对长期记忆，要规定保存范围、生命周期、访问边界和纠错入口；对高权限动作，要设置最小权限、分级授权、停止开关和人工接管。
企业可先选择高价值、低风险的单一流程，建立真实任务集和异常场景集，再按认知、规划、执行、治理四层逐项验收。只有当结果能够复现、过程能够审计、失败能够止损，智能体才具备进入更复杂业务和协同体系的资格。