我看到 Handoff 這篇報導，裡面提到 AlphaEval 用 7 家公司的真實部署抽出 94 個任務，測了 14 組模型和 scaffold，最好的成績是 64.41 分。這個數字不是在說所有 agent 都只能做到 64.41，也不能直接拿來排名每一個工具。它比較像是在提醒我們：測試過關，跟真的能在公司裡穩定交付，中間還有一大段距離。

我自己是做電商的，導入工具最在意的不是 demo 有多神，而是出了錯會不會燒錢。小公司一開始挑 agent 任務，建議先選可驗證、可復原、影響小的，例如整理客服標籤、把訂單資料轉成固定格式、先產出促銷文案草稿。不要一上來就讓它直接改價、退款，或自動回覆重要客訴。

驗收也不要只看它自己回報 done。我會盯三個營運數字：完成率、人工接手率、重做成本。完成率高但每次都要人檢查，未必省事；人工接手率下降，卻常常要整批重做，也不算成功。更麻煩的是，有些 agent 的結構化輸出看起來符合欄位格式，裡面的值卻可能是錯的，所以格式通過不等於內容可靠。

我的做法是先給它一小段真實流程，保留人工接手和復原按鈕，跑一週再算帳。只要省下的時間和成本，真的大於修錯的代價，才值得逐步放大。對小店來說，穩定賺到的效率，比一次漂亮的 AI 展示更重要。