上周发完 一切皆插件：DeepSeek Harness 的野心与收敛鸿沟，一位带研发团队的读者给我发消息：「十次修改能不能收敛，你说取决于 eval。那我们让团队多写点测试用例，是不是就能收敛了？」
「多写点测试」是标准答案，也是错误答案。
它错在把 eval 当成一个纯的工程问题——好像数量上去了，收敛自然就来。但真正决定收敛的，不是 eval 有多少，而是 eval 集长什么样。而 eval 集长什么样，取决于一个更不好量化的东西。
品位。
Evals 是新的 PRD
Evals Are the New PRD
上个月，我们团队一位产品经理花了两周写了一份 40 页的 PRD，描述一个智能审批 Agent 的需求。用户故事、流程图、异常分支、验收标准，写得滴水不漏。
她把 PRD 丢给 Coding Agent，说：「按这个做。」
三天后 Agent 交付了。代码能跑，测试通过，接口对齐。但她试了五分钟就皱眉：「这不是我要的东西。」
哪里不对？她说不清。审批流程是对的，权限校验是对的，消息通知是对的。但 Agent 处理「领导已读不回超过 48 小时」的策略，不是她脑子里想的那个。PRD 里写的是「超时后自动提醒」，Agent 就老老实实给所有超时审批发了一轮提醒——包括那些「领导出差没看手机」的非紧急件。她真正想要的是「先判断这条审批是否紧急，紧急的才提醒，不紧急的等下次汇总」。
这个判断，她没写进 PRD。因为她觉得这是「常识」。
Agent 没有常识。Agent 只有你给它的判据。
