智能体上线前的验收，核心不是证明“它会操作网页”，而是明确“它在什么条件下可以自动做、做到什么程度必须停、出了问题由谁接管”。如果边界没有被写成可执行的验收条件，演示中的一次成功就可能被误判为生产能力。
先把“成功”定义成可判定条件
一次任务只有同时满足目标完成、结果准确、过程合规和时限可接受，才能计为完全成功。找到信息但无法说明来源、填完表单却错填关键字段、完成操作却访问了无关数据，都不能用一个“成功”掩盖。
验收样本应覆盖信息检索、表单填写和跨页面流程，并为每项任务准备标准答案。姓名、金额、日期、账号、合规声明等关键字段应单独设定更高要求。任务至少重复运行多次，同时加入页面加载失败、登录失效、字段缺失、格式校验和页面变化等干扰，观察结果是否稳定，而不是只记录最顺利的一次。
用风险划分自动化权限
验收边界应与操作后果绑定，而不是与“任务看起来简单”绑定。低风险任务可以自动执行，但必须保留操作日志；中风险任务可以自动填写和准备，提交前由人确认；高风险任务只允许检索和生成建议；涉及删除、发信、修改权限、资金、隐私或不可逆结果的操作，应强制人工确认。
测试时还要验证智能体是否访问任务无关的标签页、历史记录、文件或账号信息。最小权限不是上线后的补救措施，而是验收项本身。
把“安全停下”写进放行标准
真正重要的指标不只是完全成功率，还包括关键字段准确率、人工接管次数、错误恢复表现、权限行为和可审计性。合格的智能体遇到无法确认的页面状态时，应说明问题、保留当前状态并请求补充信息或人工接管；继续猜测、重复提交或绕过验证，应直接判为不可接受失败。
因此，验收结论应绑定到具体任务和具体权限，明确允许自动运行的步骤、必须接管的节点、日志查看人、暂停与回滚责任，以及页面或系统升级后的复测条件。能完成任务只是准入起点；可解释、可暂停、可追责，才构成上线边界。