同名记录怎么测？Reddit 热议 Agent 写操作的正确评测方法

一位开发者提出 Agent 写操作评测用例：把会议记录加到 Acme 的 Jordan Lee 名下时，搜索返回两个同名联系人且错误记录排在首位，只统计「工具调用成功」会漏掉写错记录的情况。他主张改测最终状态——正确记录被写入、错误记录未被改动、回复中明确更新对象；完全无法区分的同名记录则应先请求澄清。帖子还向社区征询评测该放在工具选择层还是数据库变更层。