接下來進入這個專案裡，我覺得最有趣、但也最有挑戰性的一段：
到底要怎麼讓 AI 穩定判斷一場提案會議做得好不好？
首先我們做的就是訪談資深業務主管，請他歸納出一個好的提案會議應該從哪些維度去判定、應該具備哪些條件。

但是訪談後把這些經驗整理出來，試圖把經驗轉換成評分標準和prompt時，我開始意識到事情比想像中複雜。
因為業務主管在做提案會議的判斷的時候，很多其實是靠經驗累積的直覺。
例如他可能會說：「他沒有真正挖到客戶的需求。」
對一個有許多前線業務銷售經驗的人來說，這個描述可能已經足夠。但如果今天要讓 AI 根據 transcript 自動評分，我們就必須繼續追問：要做到什麼程度、提出怎樣的問題，才算有挖掘到客戶的需求？

如果業務問了三個問題，但都只是很表面的問題，跟問了一個非常精準、直接挖到客戶痛點的問題，應該得到一樣的分數嗎？

我們需要做的不是單純把主管的意見整理成幾個評分規則而已，而是要把一個原本存在於人類腦中的商務判斷，拆解成一套 AI 可以理解、執行，而且不同會議都能相對一致執行的準則。所以接著我開始把每一個比較抽象的 judgment 往下拆。例如一個標準（criteria)，不能只停留在「Consultative Selling」這種概念，而需要進一步定義：

這個criteria到底想衡量什麼？
什麼樣的行為可以被觀察到？
什麼樣的表現算是符合要求？
什麼樣的表現只能拿到中等分數？
什麼樣的evidence可以支持這個判斷？
最後，這些規則才會被放進prompt裡，讓LLM根據逐字稿做出評分。
慢慢地，我們形成了一個比較完整的邏輯：
Criteria → Observable Evidence → Scoring Rubric → Prompt → Output
但這僅僅是一個架構而已，離真正寫出一套可執行的prompt還非常遙遠。