很多人把 Evals 理解成大团队和模型公司的事情，但当 AI 开始接手多步骤任务，个人项目也需要轻量评测。否则你很难判断一次修改是真的完成，还是只是生成了看起来合理的结果。

评测不一定复杂

对静态网站或小工具来说，评测可以很简单：检查文件是否存在、文案是否更新、列表数量是否正确、按钮是否仍然可点。

把失败变成可定位的问题

评测的价值不是阻止 AI 工作，而是把模糊的“好像不对”变成明确的“哪一步没完成”。这会直接提高后续修正效率。