公开评分标准 AKM Index v1.1 将知识管理系统分成五大领域打分。总分 72.75 分、成熟度 M3（Orchestration）。强项与弱项都不遮掩，如实呈现。
AKM Index v1.1 · 第 2 次测评
不是测一次就结束。我们在第 1 次测评确认弱点，实际修复其原因，再在第 2 次重新测评。不是炫耀新功能，而是补上验证循环与安全机制的结果。
自己打的分数很容易虚高。因此我们设下三道机制，让它不是自说自话的打分，而是可验证的测评。
用的不是我们自定的尺子，而是任何人都能查阅的公开标准（AKM Index v1.1）。同一张表也能与其他组织比较。
五大领域各设一个严格反驳的验证小组。它的角色不是说好话，而是挑出毛病。
没有佐证产出就强制扣分。只凭口头主张的等级不被承认，必须有实际记录，分数才会上升。
以下是支撑分数的三项 Level 4 产出。三者如今每天实际运行，正因为有这三项，系统才能自己发现问题、自己修复。
学过一次的事，下一个会话仍然记得。不必每次从头说明，知识不会散落，而是持续积累。
什么任务在何时、如何运行，都留有记录。连悄悄失败的作业也会在日志中现形，因此能回溯原因。
按固定周期重新检视并改进自己。这份自测本身就是该复盘循环的一部分，下一次重测日程也已排定。
抽象的分数背后，是具体的每一天。这套方法论在实务中如何运转，我们原样搬给您看。
三起没有任何报错、却悄悄停摆的自动化，靠可观测性日志找了出来。表面看似正常的作业，我们揪出真正原因，当天就修好。
建立每天自我验证结果的循环，让当天学到的内容自动留进团队记忆。即使人忘了，系统也记得。
在发送、支付这类难以回退的步骤前设置护栏，即使已经自动化，也必须经过人的确认。这是把安全放在速度之前的设计。
我们用在自己身上的测评与改进，也同样应用到客户的 AI 系统。从您现在处于哪个阶段、该先修哪里开始，与您一起诊断。
※ 本页的分数与叙事，是以公开评分标准测评 KNDLI 自家系统的结果。客户资料与咨询内容一律不对外公开。
AKM Index 是一套公开评分标准（v1.1），把 AI 智能体知识管理系统的成熟度分为五大领域（提示词设计、上下文设计、Harness 设计、运营循环设计、互操作·治理），按 0 到 100 分打分。每个领域按行为基准划分等级，每项分数都要求提交实际佐证材料。KNDLI 以这套公开标准测评自家系统，获得总分 72.75 分、成熟度 M3。
为了证明我们提给客户的测评与改进方法论，也同样用在自己的系统上。与其空口说“会变好”，不如以公开标准公开现在几分、哪里偏弱、几天内提升了多少，全部用数字与证据说话。这种先测评自己的做法通常称为 Dogfooding，是方法论不只是口号、确实可行的信任依据。
五大领域各设对抗式验证小组，没有依据的项目强制扣分。要主张某个等级，必须提交实际存在的产出作为证据，例如持续性记忆、可观测性日志、周期复盘记录。没有证据分数就不会上升，从结构上防止虚高。从第 1 次的 66.25 分升到第 2 次的 72.75 分，也不是因为炫耀新功能，而是修复静默失败的原因、实际补上验证循环与安全机制的结果。