分析流程
分析流程
1) 统计混淆矩阵（行=真实，列=预测）
2) 找非对角线高值格：列出互混的类对
3) 抽样读原文：区分类定义问题 / 样本歧义 / 提示问题
4) 结论落到动作：改标签定义、补示例、或接受现状| 方向性 | A 到 B 多而 B 到 A 少，通常是 A 的定义或示例不足 |
|---|---|
| 动作 | 每条结论对应一个具体改动，避免只报告数字 |
| 复核 | 抽样 10-20 条互混样本人工确认判定是否合理 |
本包目录（290 条）
提示词基础40 条模式与框架50 条任务型写法50 条
评估与迭代50 条
- 先定成功标准再改提示
- 金标测试集构建
- LLM 评审（LLM-as-a-judge）基本写法
- 摘要自动指标 ROUGE 与局限
- 精确率、召回率与 F1
- 成对比较评估（A/B 判别）
- 准确率与其陷阱（类别不均衡）
- 回归测试集与用例管理
- 测试样本的切片标签
- 结构化输出的可解析率
- A/B 对比实验设计
- 保留集与提示过拟合
- 抽取任务的字段级评估
- 评测样本量的波动直觉
- 混淆矩阵与错误模式分析
- 评分表（rubric）式评审
- 采样随机性与可复现记录
- 摘要的人工评估维度
- 代码评估 pass@k
- 评审位置偏差与缓解
- 错误分类体系（误差分析）
- 迭代闭环：假设→改→回放→对比
- 重复运行与结果波动
- 翻译指标 BLEU 与 chrF
- 执行式评估：用运行结果判对错
- 评委自偏好与同源问题
- 提示变更的卡口（CI 门禁）
- 切片复盘：定位退化的那一块
- 上线后的质量监控
- 神经翻译质量评估（COMET）
- 评委的长度偏好（啰嗦偏差）
- 评委与人工评分的对齐
- 评测集的分层抽样
- badcase 挖掘与归类流程
- token 用量核算与预算
- 语义相似度指标（BERTScore 思路）
- 难例集与对抗样本池
- 两个版本的差异是否显著
- 标注规范文档写法
- 用户反馈闭环
- 提示变更日志与实验记录
- 成本与延迟纳入评测
- 多重比较与指标挑选
- 人工标注一致性（Kappa）
- 影子运行与灰度评估
- 延迟看分位数（P95/P99）
- 双标与仲裁流程
- 金标集的保鲜与轮换
- 输入分布漂移的检测
- 评测报告模板与结论写法
混淆矩阵与错误模式分析
混淆矩阵把“错了多少”变成“怎么错的”：看哪些类互相混淆、方向是否单向，再决定改提示还是改标签体系。
易错点
- 只看总体错误率会错过单向混淆；矩阵按行归一化后更易读
- 互混样本里有一部分是标签本身有歧义；先核对标注再改提示
数据来源与参考
- scikit-learn 评估文档：混淆矩阵（confusion matrix）用法