# 一个最小评测：给"能力测试"打分。这里用一个假函数模拟你的 Agent
def my_agent(question: str) -> str:
    # 真实项目里这里会调 LLM / 你的 Agent，现在先写死几个答案做演示
    faq = {"退款要多久": "3-5 个工作日", "运费多少": "满 99 包邮"}
    return faq.get(question, "抱歉我不知道")   # 查不到就兜底

# ① 题库：每条 = (问题, 标准答案)。这就是最朴素的 golden set
dataset = [
    ("退款要多久", "3-5 个工作日"),
    ("运费多少",   "满 99 包邮"),
    ("能开发票吗", "可以开发票"),      # 故意放一道 Agent 答不出的，看它扣分
]

# ② 逐题作答 + 批改
correct = 0
for question, expected in dataset:
    answer = my_agent(question)               # 让 Agent 作答
    ok = (expected in answer)                 # 最朴素判分：标准答案是否出现在回答里
    print(f"[{'✅' if ok else '❌'}] 问:{question} | 答:{answer}")
    if ok:
        correct += 1

# ③ 算总分（正确率）——这就是你的"体重数字"
score = correct / len(dataset)
print(f"正确率：{score:.0%}  ({correct}/{len(dataset)})")   # 输出 → 正确率：67% (2/3)

✋ 动手 10 分钟：跑出你的第一个分数

把 L06 的代码复制到 eval01.py 跑一遍，然后做两个小实验，体会"评测能对比改动"：

python eval01.py     # 先看基线：67% (2/3)

实验一：给 faq 字典补上 "能开发票吗": "可以开发票"，再跑——应看到 100%。你刚完成了一次"改动→评测→分数变好"的完整闭环。
实验二：往 dataset 再加两道新题(Agent 答不出的)，再跑——分数会掉。体会"题库变难，分数就变化"，这正是数据漂移的迷你版。