流程
流程
1) 全量双标（互不可见对方结果）
2) 自动比对：一致样本直接入库
3) 不一致样本 → 仲裁队列（附双方理由）
4) 仲裁结论与理由入库，必要时更新手册
5) 二次抽检 10%：复核仲裁质量| 独立 | 双标阶段互相不可见，防止跟标 |
|---|---|
| 理由 | 争议样本要求双方写一句依据，仲裁更快 |
| 闭环 | 仲裁发现的高频分歧类型要回填规则 |
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
双标与仲裁流程
重要评测集双人独立标注：不一致样本进仲裁队列，由第三方裁定；仲裁结论回写手册并定期抽检。
易错点
- 先看到对方标注再补差异会让一致性虚高；可见性要严格控制
- 仲裁只给结论不给理由时，同类分歧会反复出现
数据来源与参考
- 双人独立标注与仲裁（adjudication）的数据质量流程惯例