错误分类示例
错误分类示例
E1 格式：JSON 不合法或字段缺失
E2 知识：需要外部信息且资料里没有
E3 指令：违反显式约束（字数、禁忌项）
E4 正确性：与事实或资料冲突
E5 风格：语气、语言、受众不符
统计：每版本各类占比与环比变化| 单一归属 | 每条错误归入主类别，避免重复计数 |
|---|---|
| 动作 | 占比高的类先投入（如 E3 多则改约束写法） |
| 规模 | 分类控制在 5-8 类，太多会没人认真打标 |
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
错误分类体系（误差分析）
给错误建分类表：格式错误、知识缺失、指令未遵守、信息错误、风格不符；每次评测按类计数，指导下一步投入。
易错点
- 分类体系太细时标注成本高且不一致；先粗后细
- 只统计总数不分类，改进方向靠猜；分类占比才是行动依据
数据来源与参考
- 误差分析（error analysis）方法在 NLP 评测中的应用；CheckList 能力分解思路