企业场景评测集怎么写：样本、失败类、门槛

评测集回答哪三个问题

换一批真实工单还会做对吗？哪几类错误绝对不能漏？过线的数字是什么？写不清就还在演示。

样本从哪来

从近 6–12 个月的真实工单、录音或合同里抽。编出来的提示词只能看演示，不能当验收。脱敏可以，改写业务事实不行。

失败类怎么定

和业务一起标「不能错」的类别，例如禁催、费率误述、漏掉红线条款。类别要少而硬，不要一次标四十种。

门槛写什么

至少写任务成功率、一次通过率、人工接管率。成本用 CPRT，不用每百万 Token 单价。

方法见 评测驱动交付。