用3～5条高代表性数据做小样本验证：含典型关键词、干扰信息、边界案例各1条，确保CSV字段名与input_schema一致，沙盒中勾选“仅运行前5条”并开启“输出日志逐行可见”，通过意图置信度、槽位提取、模板渲染三方面实时判断逻辑有效性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想在超级麦吉里快速验证一个新技能是否有效，又不想一次性扔进几百条数据浪费预算、触发审批或污染沙盒——你得用小样本验证法，只投3～5条高代表性数据，观察Agent响应逻辑、输出结构和关键字段提取准确率。
准备最小可测数据集
打开Excel或文本编辑器，手动构造3条数据：1条含典型关键词（如“客户投诉退款”），1条带干扰信息（如“客户投诉退款，但已同意补偿方案”），1条边界案例（如“用户说‘不想要了’但没提退款”）。这三类覆盖了意图识别中最易出错的场景。
把这3条数据保存为CSV，首行为字段名（如text、source、timestamp），【必须确保字段名与技能定义中input_schema完全一致，否则沙盒会静默跳过该行】。
在沙盒中启动轻量测试任务
进入「数字员工市场」→点击目标技能右上角「调试」→选择「沙盒模式」→上传刚准备的CSV文件。
注意不要点「立即执行全量任务」，而是勾选「仅运行前5条」并开启「输出日志逐行可见」。这一步能避免任务被误判为生产级调用而触发三级预算校验。
提交后等待10～20秒，页面自动跳转至实时日志流。每条输入下方会显示Agent内部调用链：从分词→意图分类→槽位填充→模板渲染的完整路径。
验证核心判断逻辑是否成立
方法一：看「意图置信度」数值
每条输出右侧有灰色小字标注intent_confidence=0.92这类值。若低于0.75，说明训练数据分布与当前样本偏差大，需回溯Skill Creator中调整正则规则或补充示例。
方法二：比对「槽位提取结果」
展开第二条含干扰信息的数据日志，找到slots字段。如果它把“已同意补偿方案”错误提取为refund_amount: “500”，就证明否定语境未被识别——此时立刻停用该技能版本，不要继续跑全量。
方法三：检查「模板渲染完整性」
打开技能配置里的output_template，对照第一条数据的实际输出。若关键占位符{customer_name}为空，但原始CSV里该列有值，说明字段映射关系在沙盒隔离层被重写了，需在「连接器设置」中关闭自动schema推断。
