在上线前用轻量评测兜底

很多 AI 功能不是“不能跑”，而是“跑得不稳定”。

最低可用评测

我通常会准备三组样本：

• 典型样本：最常见的用户输入
• 边界样本：特别长、特别乱、特别含糊
• 失败样本：历史上已经翻过车的输入

评测不一定复杂

可以先从一个表开始：

case	目标	实际输出	是否通过	备注
faq-01	回答准确	基本准确	yes	还可以更短
rag-04	引用来源	未引用	no	需要补引用策略

我常用的上线前流程

flowchart LR
  A[整理场景] --> B[收集样本]
  B --> C[跑提示词]
  C --> D[人工审查]
  D --> E[记录失败模式]
  E --> F[更新工作流]

如果这个流程会重复出现，就值得把它进一步整理成 Obsidian 到 Quartz 的发布流程 里那种可维护的笔记体系。