模型要下线，这次先建评测集再升级。328 题按错误类型分层：55% 常规、25% 边界、20% 是线上真出过错被骂过的。LLM 打分必须抽 20% 人工复核，全量跑一次 26 分钟、37 块钱。附一次总分涨了 2 分、坑题却掉了 13 分的判断过程。

客户要求智能体直接在系统里改派订单，我们一开始不敢。四个阶段：影子模式先对照 142 次建议、按风险分三级、写操作全部工单化并回读确认、批量操作强制展示关键列。附一次 37 单批量改派的事故，以及放量为什么比计划慢了三个月。