企业智能体进入生产环境后，可靠性不等于“回答得像人”，而是能否在真实业务约束下持续完成任务闭环。基准测试中的高分可以作为参考，却不能直接替代企业验收。即使某产品在 OSWorld 中达到 90.2% 的任务成功率，也必须回答一个更关键的问题：它在本企业的数据、权限、系统接口和异常条件下，能否稳定交付结果。
从业务任务而不是功能清单开始
验证应先选取真实业务流程，覆盖高频任务、长链路任务和长尾异常任务。例如，一次涉及客户、订单、合同、审批和资金信息的完整流程，比“能否调用多少工具”更能反映生产能力。测试材料应尽量使用脱敏后的真实数据，并记录任务是否完成、结果是否正确、是否需要人工接管，以及失败后能否定位和恢复。
POC 不应只安排理想路径。还要主动加入信息缺失、输入冲突、接口响应变慢、权限不足和任务中断等情况，观察智能体会不会丢失上下文、重复执行或越权操作。长任务测试尤其要检查记忆是否完整、上下文压缩是否可控，以及运行成本是否随任务复杂度失控。
用四道门判断是否可上线
第一道门是业务成功率，重点看长尾任务，而不是厂商展示的平均成绩。第二道门是权限与审计，智能体既要能调用内部系统，也要严格遵守角色权限，关键操作必须可追溯。第三道门是部署与数据边界：如果宣称私有化，应核实是否真正做到本地推理、数据不出网、离线运行和全链路可审计。第四道门是总拥有成本，模型推理费只是成本的一部分，集成、运维、调试和失败重试同样需要纳入核算。
最终验收应形成可重复的测试集、明确的人工接管条件和持续监控机制。只有当智能体在正常流程与异常干扰下都能保持可控，企业才是在验证生产可靠性，而不是购买一次成功的演示。