评测 Agent：看日历的终态，不看它说了什么

为什么值得关注

这是评测思路的一次纠偏：Agent 说自己订好了会议，和你日历里真的出现那个会，是两件事。它用终态校验加故障注入来测真实可靠性。这套思路对任何准备上线的 Agent 都适用。

和我们的判断的关系

与「Agent 逻辑」的判断一致：自主代理的验收核心是验收成本。先定义清楚什么叫成功（终态），再让 Agent 去做，否则你连它到底做没做到都不知道。