为每个模型建立能力验收表

以配置为单位记录能力

同一个应用可以使用不同模型处理不同任务，但每个配置都需要单独验证。验收记录至少包含精确模型 ID、协议、客户端版本、关键参数、测试日期和用途。模型目录是查找候选项的入口，不是全部能力都已验收的证明。

把需求分成上线必需和可选增强。若业务必须依赖结构化结果或工具调用，这些能力就需要明确的测试通过条件；没有证据时应标记为待验证，而不是根据名称或普通对话结果推断。

让能力表包含具体证据

给每项能力准备固定、无敏感数据的样本与预期结果。输出质量可以人工复核，但格式、字段和边界条件应尽量使用确定的校验规则。表中记录通过、失败、未测试，并链接到脱敏的应用侧测试记录。

让变更触发复验

在预计的输入长度和有限并发下运行小规模试验，观察用量、延迟和错误分类。不要把一次成功外推到最大上下文或长期稳定性，也不要在未核对限制时直接进行高压测试。

更换模型、更新 SDK 或修改提示词后，重新运行受影响的样本。先灰度到可控制的任务范围，并准备恢复旧配置的路径。回退方案本身也需要测试，尤其要确认不同模型的输入、输出和工具协议仍符合应用约定。