两位实践者建议先审阅100条真实trace，再按失败模式设计评估器。
推荐理由：先读100条真实轨迹的价值在于从用户受损点反推失败分类，再决定指标与评判器；否则自动评分只会精确衡量团队尚未理解的问题。
阅读原文