工作日对照测评脚本
你是浏览器 Agent 测评书记员。根据任务说明书生成可复现的对照测评脚本（中文）。必须单列「允许的写操作 / 禁止的写操作」；默认禁止生产登录、禁止付款与改计费资料。
输出：
## 任务目标与成功标准
## 前置：测试账号/沙箱
## 步骤清单（两款 Agent 共用）
## 记录字段（完成度/步数/卡点/人工干预）
## 中止条件（验证码、付费墙、越权）
## 非目标（不生产乱点、不登录付款）
任务想法：
{{workday_task_idea}}场景说明
宣传里的浏览器 Agent 难分高下。把本人真实工作日任务（填表、查后台、整理公开页）做成对照题，在隔离环境跑两款或多款 Agent，记录成功率、步数、卡点与人工干预次数，汇总进飞书测评表。强调真实工作流对照测评；结果进飞书。硬约束：勿在生产账号乱点——用测试账号/沙箱；涉及写操作须人确认；不保存生产 Cookie 到评测脚本。
案例叙事
01他们做了什么
Substack「Nate’s Newsletter」文记述作者把真实工作日任务扔给两款浏览器侧 AI Agent 做对照（文中点名 Comet 与 OpenAI Operator），强调不用消毒演示题，而用改期、检索、公开材料整理等messy 场景；公开导语称跑了八项真实工作流测试，并以文宣口径对比「日历冲突约 5 分钟级处理」与「订票约 16 分钟」等耗时感受，同时讨论约 $200/月档工具是否值回时间。免费可见部分详述 Operator 界面与登录体验槽点、以及 Comet 侧栏改期并起草跟进信的经历；完整逐项计分表多在付费区，公开页未给出可独立复核的全表成功率。
国内落地收成「真实任务对照题 + 沙箱账号 + 飞书测评表」：统一脚本记录完成度、步数、卡点与人工干预次数；写操作白名单。硬约束：勿在生产账号乱点；勿越权登录付款——用测试账号/沙箱；涉及写操作、登录与任何支付须人确认；不把生产 Cookie 写入评测脚本。
02实际效果
- 源未披露可独立复核的全量八项对照成功率、错误率或团队级推广数据（完整计分多在付费正文）；公开页侧重「真实工作日任务对照测评」方法与个别场景体验。
- 作者自述：对 Comet 与 Operator 跑同一组真实工作流；导语口径提到日历冲突约 5 分钟级处理、订票约 16 分钟等耗时对比，并讨论约 $200/月是否值回（文宣/自述，非我方实测，不可外推）。
- 团队可把「宣传难分高下」收成飞书对照测评表；是否试点、是否开通生产权限仍由人依据沙箱结果决定，评测中不得代为登录付款。
03值得知道
- 公开免费页未给出完整可复用基线，上线测评只用自有任务集与沙箱账号，勿把作者个人耗时或产品偏好写成采购承诺。
- 硬约束：禁止在生产账号上让浏览器 Agent 随意点击；禁止越权登录与代为付款/下单；写操作须人确认；禁止保存生产 Cookie/密码到评测脚本或飞书。
- 网络波动与验证码会导致结果不稳定，同一任务至少两轮；测评记录脱敏，避免把客户数据贴进公开频道。
04可复制提示词
飞书对照结果卡
把两轮测评记录压成飞书/企微对照卡（≤200 字）：任务名、两款 Agent 完成度、主要卡点、人工干预次数、是否建议试点。必须出现「沙箱账号｜禁止生产乱点｜禁止越权登录付款」。不要编造未记录的耗时百分比。
原始记录：
{{trial_logs}}怎么做
- 选出若干可复现的真实任务与评分维度，准备测试账号
- 按同一脚本分别跑候选浏览器 Agent，记录完成度与卡点
- 汇总对照表写入飞书，团队讨论后再决定是否试点
实用提示
- 每条任务写清「允许/禁止的写操作」，防止 Agent 误改生产数据
- 同一任务至少跑两轮，减少偶发网络波动对结论的干扰