Agent 实践 第八篇 | 评测系统也要被评测：Eval Harness、LLM Judge 与人工校准

本文以随访Agent为主案例，把测量契约固定在一次随访任务上，分开记录完成、未完成、患者拒访与环境异常，把漏升级、越界回答列为不可抵消的硬性失败。随访护士与主管医生先独立盲评再处理分歧，“是否应升级”的混淆矩阵把漏升级与误升级分开报告，语音转写层与决策层分开评测。两起故障推演展示摘要美化和删掉夜间样本怎样让分数失去含义；对照立案助理Agent，说明一次性补正告知率与工作人员改动率。