30 天 AI eval 實戰：一隻 PM agent，改完之後怎麼確定它還是對的 系列

改了一行 prompt、換一個模型、多接一個工具，怎麼知道沒有改壞別的地方？手動測過、看起來很成功，然後在別人手上出事 —— 這 30 天要解的就是這件事。

我會自己建一隻需求釐清 agent：讀進需求方給的雜亂 ticket，輸出結構化 ticket，並標出 AC 裡彼此衝突、不可驗證、與描述不符的那幾條。接著一層層把驗收機制建起來：可重跑的 case、寫得出對錯的 goal state、自己寫的 scorer，再讓模型當裁判，並回頭校準這個裁判。

最後手上會有一份 dataset、一支判定程式和一組上線門檻 —— 改完跑一次就知道這次有沒有改壞什麼。