评估 · Evaluation
英文：evaluation/ɪˌvæljuˈeɪʃən/（重音在 ua）
产品与评估难度：进阶 ★★
🗣️一句话大白话
给 AI 的输出「定期考试」：准备一批标准问题和期望结果，每次改提示词、换模型、调知识库后跑一遍，看得分升还是降。没有评估的调优 = 凭感觉装修。
🎬真实场景
你改了一版 Prompt，试了两个问题觉得「更好了」就上线。三天后用户发现另一类问题全崩了。有 30 题的评估集：每次改动跑一遍，15 题变好 2 题变坏，一眼看穿。
📮你可以这样说
「「改之前先跑一遍评估集，对比新旧版本得分」——把这一步固化成你的修改流程。」
⚠️边界与常见误解
- ▸评估集要覆盖真实场景：用用户真问过的问题，别自己编理想问题
- ▸评分可以让 AI 打分（LLM-as-judge），但要人工抽查校准这个「打分官」
- ▸评估不是一次的事：模型升级、知识库更新后都要重跑