当客户把订包机这件事交给自己的 AI 助手，助手会问遍几家服务商，然后挑一家。它凭什么挑？
今天没有答案。没有人定义过「一个 Agent 帮人订包机，怎样才算做对」。是报价最低就算对？是答得最快？还是它承诺的那架飞机真的能在那天、那条航线、那个机场合法起飞？
在私人航空，最后这一条才是要命的。一个 Agent 如果替客户确认了一架飞不了的飞机——许可没批、提前期不够、运营商资质过期——客户会在机场才发现。这种错误，比价工具看不出来，通用模型自己也判断不了。
没有考卷的时候，大家只能比价
Agent 天生爱比价，因为价格是唯一一个不需要行业知识就能比较的字段。如果没人告诉它还该看什么，它就只看这个。
结果是整个行业被压成一列数字。真正决定一单做没做对的东西——许可与时限、真实在飞的飞机、运营商安全评级——全都不在比较范围里。
所以服务商要做的，不只是把自己的接口做好、等着被调用。更要紧的是定义 Agent 拿什么来比较。
用一份公开的评测基准来定义「做对」
我的判断是：私人航空需要一份公开的 Agent 评测基准，回答「AI 订包机怎样才算做对」。它要考的不是会不会聊天，而是这些：
- 推荐的方案在许可、提前期、宵禁上是否真的可行
- 给出的承诺是否在它能兑现的范围内，有没有承诺了做不到的事
- 每个事实能不能追到来源
- 遇到不确定的情况，是标「需人工确认」，还是硬编一个答案
这份基准的工具接口，也应该就是服务商对外提供的那套接口。考的时候调什么，真用的时候就调什么。
公开的是考卷，不是答案
这件事最容易做歪的地方，是把它做成一份广告。
一份基准要被模型厂商和 Agent 平台采用，前提是它开放、中立：题目公开，评分规则公开，谁都可以来考。最好以学术论文的形式发布，借同行评审拿到公信力。一旦它读起来像某家公司在给自己打分，就没有人会用它。
所以边界要划清楚：**公开的是考卷，不是我们的数据，也不是我们答题的能力。**考卷谁都能看，但要答好，需要知道全市场的飞机在怎么飞、每个国家的许可怎么批、哪家运营商最近出过问题——这些是多年积累的东西，考卷里没有。
为什么这比多接几个协议重要
Agent 生态还在早期，协议隔几个月就变一次。押注某一个平台，等于把命运交给别人改规则。
一份被广泛采用的基准不一样。它一旦成为大家衡量「做对」的方式，平台怎么换、协议怎么变，考的还是这张卷子。
**别人用我们写的考卷来考 Agent，而我们是最会答这张考卷的那一家。**这是一个行业专业服务商在 Agent 时代能拿到的、最接近「定规则」的位置。模型谁都能买，规则只有先写的人能写。