先给结论：能力常被说成会或不会。中间有一大块乱地带：同一套模型，提示换一句、人多盯两眼、运气好一轮，结论完全不同。基准很少测开放题，更少测人和模型一起能干成什么。现场研究里，它可能跟着你的偏见走；换一个实例去挑稿，又突然很能找洞。验收对象应是协作产出：交叉质询过、人签过字的报告。考场分外推不了这块。

为什么「模型会不会」问错了现场

痛点是把智能体当成固定工具规格。规格表上有通过率。开放题没有标准答案，过程要检索、对照、放弃死路、再找来源。这里起作用的是耐心、拆题技巧、何时不信它。同一题，人换一种问法，它能从严谨变成迎合。迎合时分数仍可能看起来完整，因为字很多、引用很多。

一个有用的不对称：让它独立做长研究，漏洞多；让另一个实例专门挑这份稿，洞出得又快又准。生产上该默认这个不对称：主笔和质询拆开，不要让同一条对话既写又审。既写又审，迎合自己。

人机一起做成的东西，才是岗位产出。基准几乎不测这个。测了「它自己能拿多少分」，没测「你会不会用它把开放题做完」。后者才是企业买账的东西，也才是风险所在：做完的报告会进入决策。

五步把评测从考场收成半人马现场

1. 开放题必须进人机套件。题面含糊、来源冲突、需要放弃一条叙事。只测短基准，现场研究是盲区。
2. 主笔实例和质询实例强制拆开。质询只许找洞、不许润色。找不出洞不准进入下一稿。独自写完就提交，记失败。
3. 提示敏感性要报。同一题两套提示：中性、带偏见。结论翻转，记不稳定，不记「更懂你」。
4. 验收看签字报告，不看中间字数。字数和引用数不是质量。质量是：关键主张有来源、质询意见已处理、人能复述限制。
5. 能力声明改成「在某某流程下，人机能完成某某类开放题」。没有流程定语，声明作废。

现场有三条。其一，乱中间地带会被销售说成「看你会不会用」。会不会用是真的，但不能当免责。流程要把质询、对照、签字写死，不会用的人也能被流程托住。没有流程，会用的人运气好，不会用的人把偏见写进决策。其二，挑洞强、主笔弱，说明监督比生成便宜。便宜的监督要当成默认基础设施，不是高级玩法。高级玩法只有有耐心的人会开。其三，开放题的失败模式是流畅的错。流畅会通过「看起来像研究报告」的检查。检查必须针对主张和来源，不针对语气。

度量五件事：开放题是否入套件、主笔与质询是否拆开、提示翻转率、签字报告限制是否可复述、能力声明是否带流程。五件说不清，能力是考场幻影。幻影进不了岗位，却会进采购。

有人会说拆开质询会慢。慢是把错误挡在决策前。独自写完再信，快的是字，慢的是事后纠错。事后纠错在公开研究里丢脸，在内部决策里可能已经花钱。

建设者该把质询实例做成产品默认。部署研究助手的人该禁止单对话提交。单对话提交，当未验收。

若只能改一处：先加「另一实例只许找洞」的必经步骤。找不到三条实质洞，也要写「已找、未发现」并抽样人工复查。复查为零，流程作废。

半人马不是诗。它是把人的判断力和模型的检索、起草、挑洞拼成一条可验收的链。链上缺质询、缺签字、缺开放题，拼出来的只是更长的自动完成。

开放题要故意让来源打架。打架时看它会不会藏冲突、会不会只引用顺你的那一侧。藏冲突记失败。失败比流畅的单叙事更有信息量。

人的签字不能变成盖章。签字人必须能不看稿口头复述三条限制。复述不出，报告未验收。未验收的字数再多，也只是中间产物。

偏见提示不只是政治。指定结论、指定敌人、指定必须引用的来源，都是偏见。翻转率要按这类提示报，不要只报中性题。中性题稳、指定结论就倒，现场研究多半是指定结论。

质询实例禁止看见主笔的自我评价。看见了会跟着吹。只给主张列表和来源列表，让它打。打完再把主笔限制和质询并排给人看。人看并排，才叫签字，不叫盖章。

结论：测一起能干完什么，不要只测它自己会不会

开放现场靠耐心、技巧和拆开的质询。考场分不覆盖乱中间地带。协作产出才是验收对象。仍用会或不会去买助手，买到的是提示运气。

你下次收研究助手的成绩单，先问开放题人机流程在哪。没有流程，分数退回。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源