Day 127 · BillSleuth(六):100 个场景的评测与模拟客户
给 BillSleuth 建一套能复现的评测:Day 122 造的 100 个场景(12 类根因 80 个，四种「账其实没错」20 个),一个会着急、会记错数字、会追问的 LLM 模拟客户，一组纯规则的判分(根因、多收金额、发票号、动作、数字幻觉、误冲正、漏冲正、转人工),每次试验在独立进程里从干净的库副本开始，结果带置信区间和 pass^k。顺便回答 Day 124 留下的问题：结论多写了原发票号算不算对。
Day 118 · Agent Loupe(七):把失败步骤变成评测用例
在 Loupe 里看到一个失败的步骤,一键存成评测用例:快照保存那一步的完整输入和原运行的工具结果,写几条断言;批量多次运行算通过率和 pass^k,把模型服务的 503 和 Agent 自己的失败分开统计;导出成 Day 35 的 golden.jsonl;改提示词前后各跑一批,用回归对比看哪些用例变差了。