让 AI 员工 进入真实业务，
并对结果持续负责。

自然语言描述规则，几天跑通 Demo

"找出差超过 3 天的订单"、"按部门汇总本月费用"、"筛选金额大于 1 万元的记录" → 演示效果不错。

但生产实际仍暴露问题：花名与真实姓名混淆（如"小明"对应"张三"）、跨年时间比较偶发错误（2024-12-31 > 2025-01-01）。

演示正确，不能证明生产可控。

一个问题一条规则，边界无法穷举

"发票抬头识别错了" → 规则 1。再发现 → 规则 2……规则 n。规则越补越多，Token 同步膨胀，形成"规则债务"。

同步动作：精简输入 JSON，仅保留关键信息，Token 明显下降。

先建立结构，再让 Agent 判断

步骤 1 — 确定性流程脚本化：身份映射、时间比较、金额计算、字段校验 → 脚本工具箱，只处理确定性流程。

步骤 2 — 引入行程数据结构：费用先归属行程，再执行审核；行程挂载费用、发票、平台订单、补贴津贴。

结构对了，Agent 的判断才真正可控。

收益：准确性显著提高、关键逻辑更确定、问题可定位到 Skill 或脚本。
代价：规则重复与调用链变长、Token 上升。核心问题：如何在不破坏准确性的前提下降低成本？

项目进入工程化研发阶段

为什么引入 Codex + Git：WorkOS 提供真实调用现场（运行 Agent、调用日志、链路追踪、结果查看）；Codex 提供更强模型与完整工程上下文（agent.md / skill.md / src/tools.py），能跨多文件保持一致；Git 负责版本管理与回滚。

两轮全局优化：

• 第一轮：项目级扫描，去重 agent.md / skill.md / scripts，Token 约降至 50%。
• 第二轮：分析高消耗调用链，精简调用路径，再降低约一半，至 25%。

自动化发现问题、组装证据、提出修改、运行重放与回归

六步闭环：线上异常 → 自动评估 → 候选修改 → 失败案例重放 → 全量回归 → 人工审核与发布。

候选修改不得未经人工审核直接发布。

评估该做什么（5 步）：

1. 代码测试 —— 确定性流程由代码自动验证，不靠模型判断。
2. 语义评估 —— 分类、证据选择与规则解释。
3. 回复评估 —— 无依据陈述必须带依据[1][2]，信息不足就追问或转人工。
4. 版本回归 —— 失败重放 + 全量回归，新版本 vs 上一稳定版本，不通过不能发布。
5. 线上观测 —— Evaluation 持续筛查 + 人工抽检，结合线上 Trace。

Evaluation 是持续风险筛查，不等同于业务真相。