在真实生产数据上跑 Eval：被忽视的 Agent 评测实践

Agent 评测应在真实生产数据（prod data）上跑，而不是只在人工构造的测试集上验证，这是应对「离线 benchmark 分数高、上线表现差」的常见实践对策。该观点出自 generativist 在 X 上的简短转发，未展开具体做法细节。