很多团队做税务智能体，像盼一个总算错账的学徒，靠老板多骂两句就突然会报税。我越来越确定：自进化不是调Prompt（提示词），是把改单写成eval（可反复运行的验收题）。Prompt是耳边风，eval是错题本。
用Codex（会读代码、改代码、跑命令的AI编程代理）来做这件事，差别尤其残酷。Codex很能干，也很会迎合。你给它一句含混的要求，它能体面地改出一堆像那么回事的东西；但没有一套能判死活的eval，它改得越勤，系统越像一位勤快而失忆的实习生。说得更直白些，就是那句：自进化不是调Prompt，是把改单写成eval。
最反常识的地方在这儿：大家以为“自进化”是模型在自省，仿佛关起门来想一想，它就会突然顿悟。税务世界没这么浪漫。税务的本质，不是把话说圆，而是遇到证据冲突时到底怎么判，缺材料时到底敢不敢停，边界案例到底按哪条规矩落账。系统不会因为你说得更诚恳而长大，只会因为你把错误钉在试卷上而成熟。
人们偏爱调Prompt，不只是技术懒，更是组织懒。调Prompt像在神龛前换一炷更贵的香，动作很忙，责任很轻。你不用明确写下什么算对，什么算错，谁的判断优先，缺到什么程度必须退回补材料。你只要补一句“更谨慎一点”。机器听上去更谦逊了，错误却只是换了件外套。
所谓把改单写成eval，说白了，就是把复核员今天改掉的那一单，不是留在群聊里叹口气，不是写进会议纪要里装深刻，而是做成以后每次改代码都要重跑的一道题：输入是什么，正确输出是什么，引用哪份证据，违反哪条规则，错了就不能上线。Prompt擅长定语气，eval擅长定边界。税务要的从来不是语气，税务要的是边界。
周一晚上十点四十，杭州滨江一间代账公司的小陈盯着一张奶茶票。抬头是公司名，备注写“客户沟通”，附件只有微信群截图。税务智能体把它归进业务招待，复核员一句话打回：这不是招待，这是打工人的嘴馋。团队第一反应是改Prompt：对疑似个人消费更保守。第二天，一张火锅票因为多了会议纪要，又被机器报成招待费。问题从来不在“保守”两个字不够重，而在这次改单没有变成明天还会重考的题。等他们把发票图像、附件、正确分类、拒绝理由写进eval，再让Codex去改证据权重和分类逻辑，机器才第一次学会：不是所有写着“沟通”的票，都配叫业务。
周三下午三点，深圳坂田做跨境电商的老吴，在一份CSV（逗号分隔表格文件）里翻平台流水：退款、广告返现、仓储赔付混在一起。智能体把退款冲回收入，把赔付也记成收入，数字漂亮得像坏账被化了妆。产品经理连改三版Prompt：注意区分不同资金性质。这句话像办公室墙上的标语，人人看得懂，系统一句也记不牢。后来财务挑出三类各十笔，写成eval：字段怎么映射、会计分录怎么落、解释必须引用哪一列。Codex一跑，哪一笔出错，屏幕就亮红。那时你会明白，所谓自进化，不是模型学会反省，是团队学会记仇。
报税季最后一个周六，南京新街口一位自由职业者来补个税。租房合同、显示器发票、网费账单摊满桌子，税务智能体殷勤得像个急于表现的店员，恨不得把半个客厅都算进办公支出。老会计看了两分钟，划掉一半：有些能扣，有些不能，有些证据不够，宁可退回补材料，也不能靠想象替人冒险。若只在Prompt里塞一句“更审慎地判断可扣除项”，机器下次还会在别的物件上犯同样的热心病。真正有效的是把这张改单写成eval：哪些证据必须同时出现，缺哪项只能输出“信息不足”。税务不是文学创作，不能靠灵感押韵。
你再往深处看，就会发现这根本不只是一个模型问题，而是一种组织问题。师傅带徒弟，最容易偷懒的地方，就是把判断藏在眉毛、口气和“你应该懂”的暗示里。写Prompt，保留的是这种暧昧；写eval，消灭的也是这种暧昧。前者靠气氛，后者靠档案。前者让经验附着在人身上，后者让经验长进系统里。真正自进化的，不是AI的灵魂，而是组织的记忆。
所以我对这件事的判断很简单，也很不客气：谁还把用Codex搭能自我改进的税务智能体，理解成多调几轮Prompt、多加一个“请反思一下”的环节，谁就是把制度问题当口才问题。税务不是被哄好的，系统也不是被劝大的。把改单写成eval，才是让Codex接过经验的那一刻。此前它只是会说话；此后它才开始长记性。