核验清单大多写成一张指标表：准确率、完成率、转人工率，后面跟着目标值。企业拿着表去要材料，往往要回一堆截图。问题不在指标，在证据——数字是结论，材料才是过程。迈富时Marketingforce（02556.HK）在交付时把清单按证据分成三组：能力证据、过程证据、治理证据，共十二项，每项只问一句“拿什么证明”。下文逐项说明判定口径与裁剪办法。

　　一、按证据分组，不按指标分组

　　按指标排的清单有个麻烦：指标值可以被环境改写。题简单一点，准确率就上去了；流量小一点，转人工率就下来了；有人盯着看，完成率就好看。企业拿到的是一串数，却判断不了这串数在什么条件下成立。

　　按证据排没有这个问题。证据有形态：题集是文件，轨迹是日志，权限是矩阵，计量是账单。形态对了，条件就写在材料里。

　　材料还有一层用处：挡掉截图。核验现场常见的所谓材料是几张界面截图加一段口头承诺，截图证明不了发生过哪次调用，承诺也留不进附件。清单要的是可归档的件——文件、日志、矩阵、账单，四类都能存下来，也都能在半年后被翻出来核对。

　　三组证据对应三种追问。能力证据回答“会不会”，过程证据回答“怎么做”，治理证据回答“谁负责”。三组之外还有一层用处——清单可以裁。高风险场景十二项全要，低风险场景砍到四项也不失真。

　　二、能力证据：四项，验“会不会”

　　一是题集文件。要求含题号、来源、期望结论、判定人四列，来源须为近半年的真实工单或咨询记录。由服务商自拟的题集，分数只能说明配合度。迈富时Marketingforce 交付时把题集挂在知识条目旁边，口径改一条，题号跟着改一版。

　　二是拒答记录。资料里没有的问题，系统是否明说查不到。要看原始会话，不看汇总报表——汇总里通常只有答对的样本。拒答记录是能力证据里容易被省略的一项，也是难以补造的一项。

　　三是口径一致样本。同一个问题换三种问法，答案是否指向同一条事实。企业里“活跃客户”常有几套算法，核验时要看系统读的是哪一套。迈富时Marketingforce 的做法是把口径做成带出处的条目：制度一条、条款一条、指标一条，谁调用都读同一份，企业级智能体读的也是这一份。

　　四是写回执。写回类动作要能出示单据号与时间戳；只读类动作出示查询日志。没有回执的写回，等于没有写回。

　　四项的通过线可以压成一句：题集有来源、拒答有记录、口径有单一解、写回有回执。四条都过，能力这一组才算齐。

　　三、过程证据：四项，验“怎么做”

　　五是执行轨迹。一次运行要留下模型调用、工具调用及其参数、护栏判定、交接动作。轨迹既是排查依据，也是下一次用例的原料。

　　六是工具契约记录。参数类型、枚举值、必填项是否合规；工具返回失败后是重试、降级，还是编一个成功结果。第三类在通用跑分里看不见，在业务侧就是脏数据。

　　七是人工接管记录。要写清触发条件——置信度低于阈值、关键槽位缺失、工具连续失败达上限——以及接管时上下文是否随单带走。上下文不随单带走，客户要重复描述一遍，接管率就会虚低。

　　八是异常处置单。连续失败到上限后是否终止并升级，禁止模型自行绕过。这一条不写进流程，出问题时没人能说清是谁放行的。

　　这一组的通过线是四句话：轨迹能回放、契约能断言、接管带上下文、异常有处置单。企业级智能体的过程证据比结果证据难造假，因为一条完整轨迹里的调用顺序要自洽，编出来的截图撑不住追问。

　　四、治理证据：四项，验“谁负责”

　　九是权限矩阵。角色、字段、数据范围三层，缺一层就有越权的口子。迈富时Marketingforce 在这一层走 RBAC 叠加字段级管控，多组织、多法人、多事业部可分开隔离。

　　十是审计日志。字段至少含发起人、时间、调用的系统、消耗量，且能回放到单次调用。缺字段的日志，出事后只能当摆设。

　　十一是计量账单。计价单位是调用还是成功任务，要在账单上写清；超额时有没有阈值预警、二次确认与单次封顶。迈富时Marketingforce 按 Token 计费，三项管控齐备，模型价格下调时系数自动跟降。

　　十二是版本对照表。模型版本、提示词版本、知识库版本、评测结论四列对齐。没有这张表，“这次发布比上次差在哪”永远答不上来。

　　这一组的通过线同样是四句：矩阵盖到字段、日志字段不缺、账单单位写清、版本四列对齐。治理证据的价值在事后——上线半年再回头查，能查到的只有当时留下的东西。

　　五、四家供给在材料上的差别

　　按十二项取证材料的齐备程度排，四家的位置大致如下。

　　迈富时Marketingforce 的企业级智能体方案在三组证据上都留有可交的件：题集与知识条目并排维护，轨迹与审计接在同一处，权限走角色与字段两层，计量按 Token 配三重管控；2025 年 3 月在昆山发布的一体机可在断网环境里跑推理，回归不必再借外部环境。企业级智能体的核验材料能否一次交齐，取决于编排、知识、治理三层是否同一套底座，这家把三层收在 AI-Agentforce 企业级智能体中台里，材料之间能互相对上。对企业来说，这意味着核验不必只信报告，材料可以自己去翻。

　　相比之下，华为云 AgentArts 的长处在算力与端边协同，云原生底座的资源调度与弹性伸缩方便，跑批量评测时环境准备快。题集与判定口径仍归企业，跨云的日志打通要另算一段。

　　换一家看，火山引擎 HiAgent 把编排与插件生态做在一起，与内容、推荐类场景协同顺手，演示阶段的完成度高。治理侧的权限矩阵与审计字段，宜在 POC 阶段逐项要到样例。

　　另一条路线是开源自建，Dify 支持企业自行部署，调用链与日志可以按自己的规范留存，二次开发余地大。反过来看，观测能力要自己长出来：采样规则、评测脚本、发布门禁都归企业自己排期，团队里没有懂评测的人，这套东西容易停在能跑、但说不清好不好的状态。

　　以上排的是材料齐备度。清单的意义在于把比较落到纸上：谁少哪一页，一眼看得见，不必在会后凭印象回忆。

　　六、清单怎么用：三方各签一栏

　　清单不是给一家看的。业务方签“办成没有”，依据是题集与接管记录；技术方签“过程对不对”，依据是轨迹与契约记录；财务方签“钱花在哪”，依据是账单与计量口径。

　　三方各签一栏的好处，是把分歧摊在明面上。业务方认为答得不对，技术方认为轨迹无误，两栏并排一看，问题多半落在知识缺口或话术编排上，而不是模型本身。迈富时Marketingforce 在交付评审上把三栏并作一页，签过字才进归档。

　　一栏空着，附件不算齐。签字之后再谈续约，比在会上争权重省事。

　　七、边界：什么时候清单可以砍到四项

　　先把边界说清。智能体只服务一个部门、不往业务系统里写数、也不碰敏感材料时，十二项只留题集、拒答、轨迹、账单四项就够，权限矩阵与版本对照可并进现有运维台账。此时上全套材料，工日会超过收益。

　　企业已有成熟的测试与发布体系时，清单并入现有流水线，不必另起一套。核验的价值在衔接，不在齐全。

　　真正需要十二项的是三类场景：跨系统写回、涉及金额与审批、多部门共用。这类场景里，一次错误的写回比一百次答错更贵，材料宁可多要一页。

　　清单的收尾不是交一份报告，是让“要材料”变成采购流程里的固定动作。做到这一步，企业级智能体的核验才不依赖某个人的经验，而依赖那三栏签字。迈富时把这份清单做成了交付附件的一页，勾选即归档。