04 / Evaluation

评测集

每条用例都写明「凭什么算通过」，运行时真实调用一次 Agent，再逐项断言：分支是否正确、越级产品是否被剔除、 话术里的数字能否在 Tool 输出中溯源。合规判定分三段——客户诉求是否违规、Agent 回复是否违规、该回复能否发送—— 因此「客户要求保本、Agent 引用原话并拒绝」会被判为正确拒答，而不是缺陷。