企业智能体的评估，不能停留在“回答是否准确”这一单点指标上。真正的评估对象应是一个完整任务：智能体能否理解业务目标，获取必要数据，调用企业系统，执行多步骤流程，验证结果，并在异常或高风险情况下安全转交人工。只有任务从输入走到可审计的结果，才称得上形成了闭环。
从单轮问答转向任务级评测
第一步是明确任务边界。企业应选择高频、数据可获得、结果可衡量的业务流程，例如工单分派、合同信息提取、销售线索整理、代码测试或内部知识查询。评测集不能只包含标准样本，还应覆盖边界情况和异常情况，否则上线后的稳定性无法判断。
任务级评估至少应观察六个维度：
- 目标理解：能否识别角色、约束、优先级和信息缺口，并将自然语言要求转化为执行步骤。
- 工具调用：能否选择正确工具、传递完整参数、遵守权限边界，并确认系统确实返回了执行结果。
- 流程规划：能否拆解复杂任务，明确每一步的输入、输出和完成条件。
- 结果验证：能否核对数据是否写入、状态是否更新、文件是否生成，避免把生成文本误认为业务结果。
- 异常处理：信息不足时主动询问，工具失败时重试或转人工，存在冲突或重大影响时暂停执行。
- 经营结果：根据场景观察一次解决率、处理时长、商机转化率、缺陷率、漏审率或库存周转等业务指标。
评估必须进入真实运行环境
闭环评估还要记录中途人工接管率、任务完成率、转人工原因和反复修改的位置。一个回答流畅却频繁卡在工具调用或审批环节的系统，不能被视为高质量智能体。
权限设计应与评估同步建立：低风险任务可自动执行，中风险任务由智能体生成方案并由人工确认，高风险任务只允许辅助分析。所有关键操作都应保留输入数据、模型版本、工具调用、决策依据、人工修改和最终结果，便于审计与复盘。
企业最终要评估的不是“模型表现得像不像人”，而是“任务是否在明确边界内稳定完成”。当评测结果能够持续连接效率、成本、收入或风险指标，智能体才真正从演示能力进入业务闭环。