Agent 能不能辦成事，要看任務結果
從一次精彩演示，到可以反復驗證的工作能力。
評估正在走向完整任務
Anthropic 在 2026 年的 Agent 評估文章中討論了任務、運行過程和評分方式。對使用者而言，一個直觀結論是：回答聽起來合理與任務真正完成，需要分別判斷。
為應用程式原型建立小型驗收表
例如一個項目管理界面，不能只檢查頁面是否生成。還要驗證創建項目、填寫內容、取消編輯、提交空表單和返回列表。為每一步寫下預期結果，就能把抽象的“好不好用”變成可復查的問題。這裡是實踐建議，不是已發佈的 UBAI 自動評測功能。
同時觀察失敗時的表現
斷網、缺失圖片、長文本和重複點擊都值得測試。失敗並不一定意味著整個方案不可用，關鍵是能否保留已有輸入、說明下一步並恢復操作。評估應包含正常路徑，也包含這些容易被演示忽略的邊界。
參考資料
官方資料核對於 2026 年 9 月 18 日。文中的產品建議為 UBAI 編輯觀點。