内测里任务能跑完、工具调得对、回答也像样。但接上真实工单、真实权限、真实用户后，失败却换了形态：同样的输入这次成功下次失败，日志里没有异常堆栈，重试一遍又好了，复盘时没人能复现。团队最常做的动作是改提示词、补一句「请仔细检查」，观察两天宣布恢复，几天后换一种形式再出现。冲突不在「模型不够强」，而在：你证明的是「某个被固定住的环境里某一次任务成功」，而生产环境需要证明的是「模型、提示词、工具和上下文