智能体测评要转化为上线门槛，关键不是给出一个总分，而是把“可接受的风险”写成可判定、可复核的准入条件。否则，测试成绩再好，也可能掩盖关键步骤错误、频繁人工纠正，或无法证明操作真正完成。
门槛应由业务风险决定
上线标准应先区分任务后果：信息整理、可回滚的内部记录，与付款、删除、对外发送等高影响动作，不应共用同一条成功线。前者可重点考察闭环完成、结果准确和稳定性；后者还必须明确哪些动作需要人工确认，哪些权限不得开放。风险越高，越不能用平均成功率抵消一次严重失误。
因此，门槛宜采用“关键条件全部满足”的方式，而不是把成功率、耗时、接管次数简单加权成一个分数。信息来源错误、关键字段写错、最终状态无法核验等，可以设为阻断项；耗时偏长或非关键步骤存在偏差，则可作为限期改进项。具体条件应由业务责任方在测试前确定，避免看到结果后再调整标准。
从测评结果到准入决策
测评记录至少要能回答三件事：任务是否按预设条件完成，过程中是否发生能力相关接管，最终结果是否有可复查证据。安全确认与纠错、代操作应分开统计，否则接管指标无法说明系统究竟是受控运行，还是依赖人工兜底。重复运行也不能只看平均表现；同一任务时好时坏，本身就是上线风险。
据此，决策可以分为三种：满足关键条件且证据完整，进入受限范围的试点；未触发阻断项但稳定性或效率不足，补充改进后复测；触发高影响错误、越权操作或无法核验结果，则暂缓上线。试点仍需使用受限权限和可回滚流程，并预先定义暂停条件与人工接管责任。
测评报告要连同任务定义、环境、权限、样本范围和失败样例一起进入上线评审。门槛不是一张成绩单，而是一项可追溯的决策依据：它说明系统在哪些条件下可以做什么，也明确了哪些失败尚不能被接受。