评估优先不是质量洁癖：Zepto 把 eval 做成了成本杠杆

大多数团队把「评估」当成上线前的最后一道检查：模型选好了、prompt 调好了，跑一轮 eval 确认没坏，然后上线，eval 束之高阁。Zepto 把这套顺序倒了过来——评估是 agent 被构建、测试、运营的主要方式。结果是 80%+ 工单被 AI 全流程处理、客服成本降 65%、回本不到一个月。评估优先不是质量洁癖，它恰恰是这一代客服 agent 里最直接的省钱杠杆。

数字：成本侧的数字，比质量侧的数字更有信息量

Zepto 是印度快速电商平台，覆盖 60+ 城市，配送以分钟计，客服每天处理超 10 万张 AI 工单。在 Databricks 与 MLflow 上做评估基座后，Zepto 报告：80%+ 工单由 AI agent 在人工监督下全流程处理；客服成本或客服工单量降 65%；回本周期不到一个月；CSAT 提升 20%、准确率提升 8%；开发周期快 3 倍、解决时间快 4 倍（来源：Databricks 官方博客案例，厂商与客户联合口径 — https://www.databricks.com/blog/evaluation-first-ai-agents-how-zepto-scales-customer-support-databricks-and-mlflow ）。数字是自报的，但「回本不到一个月」这个位置很说明问题：当评估被当成基础设施，成本控制就不是事后看账单，而是写进开发循环本身。

为什么「just ship the agent」在规模上会崩？因为 agentic 系统是多步工作流——意图分类、知识检索、推理、调用交易工具、生成回复——失败可能出现在任何一步，不只是最终答案。10 万张工单/天，1% 的错误率就是每天上千个坏结果、真实的收入漏损。这个「保证缺口」（assurance gap）正是 eval 基础设施要填的东西。

双循环 + 质量门禁：把开发和生产连成一条流水线

框架的核心是双循环：开发循环（设计、迭代、评估 agent 版本）+ 生产循环（监控线上行为、检测失败），中间由质量门禁控制。任何对 agent 逻辑、prompt 或模型的改动都会自动触发回归评估：新版本要同时满足两件事——在所有 pillars 上达标（客户体验、运营效率、风险合规、财务影响各有数值阈值），并且不劣于当前生产基线。达标才晋升生产，不达标打回开发循环。生产里的每个失败都自动回馈开发循环，变成下一轮的训练料。

这个结构把「上线」从事件变成过程：agent 永远在开发与生产之间流动，门禁是唯一的闸口。Zepto 因此能把「这个版本感觉更好」的 gut-feel 决策，替换成「这个版本在约定指标上胜过基线」的证据决策。

金标数据集是 10 倍杠杆，dev-prod 差是它的质量信号

金标数据集是整个框架的事实标准：覆盖正常、边界、失败场景，各利益方（含安全团队喂的对抗样本）共同塑造。Zepto 用六个月把它从 500 条做到 2,000 条再到 5,247 条，同时 dev-prod 精度差从 8 个点收敛到 2 个点再到 0.4 个点。他们给出的经验法则是：花在数据集质量上的每小时，省约十小时生产调试——金标数据集是 10 倍乘数，每个生产失败都会把失败 trace 加进数据集，让系统对未来的版本更稳。

这里有一个反直觉的判断值得买方记下：dev-prod 精度差不是「生产环境太复杂」的托词，它是数据集质量信号。差距大，说明开发数据集没覆盖生产会遇到的场景——该补的是数据，不是更强的模型。把差距当作可管理的读数，而不是玄学，这正是评估基础设施化之后才看得见的东西。

采样的成本账：分层采样 > 均匀采样

评估 100% 流量太贵，但朴素地均匀抽 10% 会漏掉大多数边缘案例。Zepto 的做法是按风险分层加权采样：高价值客户、新功能或刚改过的流程、负面情绪、高升级风险、图像与欺诈类交互采得更密。结果是用 18–20% 的有效采样率（约 1.44 万条 trace/天）捕获 45–60% 的边缘案例，4–6 分钟内发现问题（来源：同上 Databricks 博客 — https://www.databricks.com/blog/evaluation-first-ai-agents-how-zepto-scales-customer-support-databricks-and-mlflow ）。

这笔账是这一整套方法里最「成本」的一段：相比均匀采样，分层方法论把每条被识别问题的复核成本降了 86%，边缘案例检出提升 9 倍。它同时反驳了一个常见的工程借口——「评估太贵所以只做 10%」。贵的是盲目采样，不是评估本身；把采样率押在风险最高的流量上，评估就从成本项变成成本杠杆。

我们的判断

第一，评估优先不是质量洁癖，是成本杠杆——eval 基础设施化之后，成本控制（模型选型、prompt 优化、采样）都写进开发循环，回本周期才能压到一个月以内。第二，dev-prod 精度差是数据集质量信号，不是玄学——差距大就补数据，补到收敛为止；这是把评估当资产、给它 KPI（规模、dev-prod 差、边缘覆盖）的直接后果。第三，采样策略比采样率重要——把评估预算押在风险最高的流量上，成本降 86%、检出升 9 倍；均匀采样的「便宜」是假便宜。第四，这与 OOMeta 自己的开发纪律同构：我们的 spec-driven 工程循环跑双评估（生成器 + 评估器），并且显式地验证 eval 分数是真实差距而不是表面达标——不把「看起来过了」当成「过了」。

买家行动清单

第一，从 trace 而不是从模型开始：强制共享 trace schema，把所有 agent 调用落库——没有 trace，评估、金标数据集、门禁全都无从谈起。第二，把评估设成 CI/CD 的强制门禁：不比基线好就不部署，让「上线」变成证据决策而不是感觉决策。第三，把金标数据集当资产运营：给它自己的 KPI（规模、dev-prod 差、边缘覆盖），每月看差距是否收敛。第四，上线前就把分层采样与实时告警做好：事后补运营可见性是最贵的路线。第五，绝不优化单一指标：Zepto 单独追意图精度时，+5 点意图换来了 +133% 延迟和 −0.4 点 CSAT；复合多目标评分才是对的方向。

留给你的决策问题：如果你把「dev-prod 精度差」写进团队每个月的运营报告，并强制它持续收敛——你现在有多少 agent 经得起这个数？

参考来源：①Databricks 官方博客案例「Evaluation-First AI Agents: How Zepto Scales Customer Support」（厂商与客户联合口径，2026-09-09）— https://www.databricks.com/blog/evaluation-first-ai-agents-how-zepto-scales-customer-support-databricks-and-mlflow