只断言最终态等于放弃中间可测性：把 Behavioral Evaluation 翻译成 pytest 里的 Trajectory

个正在落地的客服 Agent，跑一条「查订单 → 判断是否可退 → 调用退款工具 → 回复用户」的任务。最终答案是错的：钱没退，用户却收到一句「已为您办理退款」。可当你把日志拉出来逐步看，每一步工具调用又都「看起来对」——查订单返回了 200，判断可退也命中了规则，退款工具的入参格式也没毛病。