定义成功与反例
先写下这轮试用要回答的问题，例如是否能减少验收清单的首稿时间。再定义即使回答流畅也不算成功的反例，如格式不稳定、需要过多人工修订或成本高于节省的时间。
选择真实但低风险的任务，并先脱敏。十到二十个包含正常、边界和缺信息场景的样本，通常足以开始比较。
按合格任务计算成本
成本不仅是输入和输出 token，还包括重试、工具调用、等待和人工审核。设置单请求、单日和整个试用周期三层上限；将异常调用和预算耗尽以清楚信息反馈给用户。
删除无效上下文、限制输出结构、把长任务拆成提取、判断、生成和校验阶段，通常比一味压缩 token 更有效。
生产前仍要设防
进入生产前确认服务端密钥、速率和支出限制、监控、人工介入、降级和回滚。先以低影响场景和有限用户群发布，观察质量、成本和安全指标，再扩大范围。