当 Agent 开始进 CRM、工单、支付、代码库和内部系统，替人跑一段段真实流程，「它会不会做」只是第一问，更难的那一问是：「它做完这件事，到底算不算做对？」8 月中旬以来，一个看似不起眼却方向一致的动作在大厂之间同步发生——Google、微软、Grafana 都在给 Agent 补上「质检线」：评测（Eval）与可观测性（Observability）。它们的共同判断是：Agent 真正开始干正事后，可靠性问题的核心不再是模型会不会「胡说八道」，而是另一种更安静的失败——系统没报错，事却办错了。
一、「系统没报错，事仍可能办错」：Agent 可靠性的新难题
传统软件出问题通常有迹可循：接口报错、服务超时、数据库连不上——运维系统盯住日志、指标和调用链，至少能回答「哪里坏了」。Agent 不一样：它可以在所有技术指标都正常时，把业务办错。一个差旅 Agent 接到指令订机票，它查到了航班、调用订票接口返回 200、最后在聊天框里写下「已完成预订」——从传统监控看，这次任务很健康，但用户想要的票可能根本不在预订列表里。更常见的失败形态包括：替销售更新 CRM 时把字段写到了另一个客户身上；说退款已处理、实际上只完成了查询；说代码修好了、测试过了，但线上权限被一并改坏了。更麻烦的是，Agent 行为是概率性的：今天的版本没问题，下周换一个模型、改一句系统提示词、接入一个新工具，行为就可能慢慢走样——这要求质量保障从「上线前的一次性测试」变成「上线后的持续监控」。
二、大厂质检线的三个样本：平台、轨迹与遥测信号
三个样本可以勾勒出这轮质检线的整体轮廓。其一是谷歌：4 月发布 Gemini Enterprise Agent Platform，把模拟、评测和可观测性放进了 Agent 的「优化」层，让企业可以在上线前模拟运行、上线后持续评估。其二是微软：5 月的 Microsoft Build 上，Foundry 展示了多轮评测、生产轨迹抽样、轨迹回放，以及「由生产轨迹生成测试集」的能力——微软的表述很准确：轨迹回答「发生了什么」，评测判断「好不好」，优化决定「下一步改哪里」。其三是 Grafana：7 月把 Agent Observability 推进到通用可用，并把 agent session（智能体会话）称作继指标、日志、链路追踪、性能剖面之后的第五类遥测信号——它把每一次 Agent 执行的完整轨迹当成一类一等公民数据来记录与分析。三者出身不同（谷歌做云上 Agent 平台、微软收进 Foundry、Grafana 来自传统可观测性世界），却都在补同一件事：让 Agent 的每一次「干活过程」变得可见、可评、可复盘。
三、从轨迹到测试集：一条完整的质检链路
这轮产品更新的核心，是试图把一条链路接起来：真实执行 → 留下轨迹 → 找到失败 → 归类原因 → 变成测试样本 → 修改系统 → 回归验证 → 小流量上线 → 继续观察。其中最具代表性的思路是微软提出的「把生产轨迹转成评测数据集」——过去的测试集大多由团队在会议室里设计，但真实用户的表达方式很杂，权限和工具一叠加，边缘情况往往比产品经理预先想象的多得多；生产环境里出现过的失败，反而是最值得留下来的题目：客户连续三次要求转人工、Agent 仍在安慰解释；某类历史订单一查就让工具参数错位；合规审查在长对话之后悄悄丢掉关键限制……这些问题被查清后，不该只在工单里关掉，而应被清理、脱敏、标注，放进下一版 Agent 的回归测试里——修过一次的错误，别让它换个用户再犯一遍。对开发者而言，这也解释了为什么「单看最后一段回答」已经不够：一个十步任务若每步成功率 95%，全部正确的概率只剩约六成；而 Agent Eval 现在要同时看结果（订单、工单、文件、数据库里是否真的出现正确状态）与过程（是否跳过身份验证、是否泄露他人信息、是否反复调用收费工具）。
四、客观看：质检线不是加一个面板就有的
几点客观边界需要标注。其一，轨迹回放与评测体系的意义毋庸置疑，但「存下几十万条执行记录，却说不清哪一条只是绕了点路、哪一条已经是事故」——轨迹的自动标注与失败识别本身仍是难题，评测标准的定义高度依赖业务方，错误分类的准确性尚无统一基准；其二，Agent 轨迹往往包含敏感数据（工具输入可能含查询词、用户数据乃至凭证），在存储与回放环节的脱敏、访问控制与合规处理，行业实践仍在早期；其三，质检链路从「采集」到「告警」的完整闭环需要相当工程投入，对中小团队而言成本不低，大厂平台能力如何以可负担的方式外溢仍是开放问题；其四，观测工具再多，也无法替代「业务语义层」的判断——Agent 是否办对了事，最终需要业务系统的事实状态来锚定，工具只是让这个判断变得可能。总体而言，「质检线」的补课标志着 Agent 工程化进入深水区：当 Agent 从玩具走向工具，可靠性不再靠一句「相信模型」——可观测性兜住不确定性，评测闭环兜住业务正确性，这两件事，正在成为企业级 Agent 落地的隐形门槛。