让 AI Agent 回答营收问题前先通过这份考试

AI Agent 生成的 SQL 看似正确，但在时区、测试账户和扇出连接等细节上容易出错。作者提出一种“黄金问题”测试方法，用财务已核对的真实问题作为考题，根据数字而非 SQL 语句来评分。文中包含一个可运行的 Python 和 DuckDB 测试框架，展示了六个初步回答仅得 2 分（满分 6 分）的案例，并说明了如何构建自己的测试集。