高级：用一套小测试集检查 Agent 的输出

“看起来变好了”是智能体性能退化的常见原因。本课会给你一个小型评估集和一套评分流程，你可以在十分钟之内运行完，让每一次改动都有据可依。

为什么是二十个

二十个用例足以发现真正的差异，同时又小到便于维护。之后你会不断添加用例；先从二十个开始。