Agent--4、评测与护栏-从主观感觉到可证明事实

没有评测，前面三层都是自我感觉。提示词改好了、Skill 封装了、Harness 闭环了——判断依据是什么？如果答案还是「我用起来觉得顺了」，那三层工程只完成了一半。 评测分三层：输出级（答案对不对）、轨迹级（过程对不对）、系统级（端到端任务能不能成）。只测第一层会漏掉「答案对但过程危险」的系统性风险。