评估与安全：别只看一次成功

先定义通过标准

评估不是问模型“你做得好吗”。以作业提醒为例，日期、科目、任务内容必须正确；不应凭空补出截止时间；同一事项不能重复提醒。

建立一份小测试集

记录比评分更重要

每次测试保存输入、输出、工具调用与失败原因。测试集与开发中使用的例子分开，避免只记住答案。

最小权限

一个读取作业的工具，不应该同时拥有删除文件的权限。访问能力越大，错误的代价可能越高。先限制能力，再逐步扩展。

实验

用相同的十个任务运行两次，比较结果差异。既统计成功率，也记录平均耗时、成本和需要人工介入的次数。