发帖前搜索过“Dify评测”“Agent验收”和“RAG评测”，相关结果大多是课程、资源、求职或具体项目介绍，暂时没找到集中讨论个人开发者和小团队实际交付验收流程的帖子，所以新开一帖请教。 
最近在了解一个问题：现在用Dify、n8n或其他框架搭建知识库、AI客服和Agent已经比较快了，但真正交付或上线之前，大家一般怎么判断它“可以用了”？ 
我查了一些现有方案，LangSmith、Langfuse、阿里云百炼、腾讯云等都已经提供评测能力，不过不太清楚个人开发者和小团队实际交付时是否会使用，所以想请教有真实经验的佬友： 

你做过哪类知识库、客服或Agent项目？
上线前是人工问几遍，还是会准备专门的测试集？
最容易出现什么问题：幻觉、知识库没召回、工具调用错误、格式错误，还是多轮对话跑偏？
如果是给客户交付，客户会要求提供什么验收结果？
现有平台的评测功能够用吗？最缺的是什么？

目前...