看到一个落地案例讲得挺细，做的是医疗账单处理，四个月上线了七个跑在生产上的智能体，处理真实理赔，没有出现患者数据泄露。
最值得抄的是他们的时间分配。团队投在两件事上的工程时间远超模型接入本身：一是数据富化，每笔理赔预先算出三十四个动态变量再喂进去；二是评估框架，也就是怎么判断这一单它做对了没有。
还有个细节：系统跨两家提供商路由调用，切换模型不影响最终输出。能做到这点，说明他们的提示和校验是围绕业务规则写的，不是围绕某家模型的脾气写的。
这三条摆在一起，基本就是把智能体做进业务的正经路子。可惜大多数团队的顺序是反的，先挑模型，再想怎么评估，最后才发现数据根本不够。
你们上线的流程里，评估这块是怎么做的？