任务成功率
按约定验收规则通过的任务数 ÷ 纳入评估的任务总数；部分完成和取消任务的处理提前说明。
质量与时间
评估准确性、完整性、来源依据及端到端耗时。
人工介入
记录纠错、复核和补充操作时间，区分必须审批与失败补救。
单次成功任务成本
同一评估任务集的总成本 ÷ 成功任务数，总成本包括失败与重试消耗；人工成本仅在有一致估算依据时另行纳入。
无法计算的情况
成功任务数为零时显示无法计算并解释原因，不显示零成本或无限大盈利指标。
01 / 评估指标
围绕成功交付，定义共同的衡量标准。
先与业务团队约定成功与质量要求，再比较时间、人工介入和成本。
03 / 评估方法
把自动评分与业务复核放在一起。
用明确样本与规则建立基线，比较版本并持续观察实际运行。
测试集
选择代表性任务，记录难度、输入版本、允许资料与预期结果。
评分方式
业务规则、自动评分与人工抽检结合，说明每项方法的作用和局限。
基线比较
在相同任务与质量条件下比较不同模型或流程版本。
运行后监测
观察实际任务偏差，发现退化时复核并调整评估集。
04 / 优化报告
将问题证据转化为可以验证的建议。
对模型、上下文、工作流和人工协作提出调整方案，并明确如何检查改进效果。
发现
关联具体步骤、失败原因或重复消耗证据。
建议
调整模型规格、减少冗余上下文、优化工具步骤或复核位置。
预期影响
说明可能改善的质量、时间或成本维度，不预设固定比例。
复测
用原任务集和新增边界样本验证，记录变化和副作用。
05 / 闭环与行动区
让每一次调整，都回到任务结果。
与业务和平台团队确认改进方案，更新任务流程或模型策略，再评估实际效果。