金标集构成建议
金标集构成建议
200 条起步：
- 120 条典型样本（按线上频率分层抽样）
- 50 条边界样本（多义/超短/超长/混语种）
- 30 条历史 badcase（曾出错的真实样本）
每条字段：input / expected / 难度 / 场景标签 / 定标人| 来源 | 真实流量优先，构造样本只作补充 |
|---|---|
| 定标 | 双人独立标注加分歧仲裁，条款写进标注手册 |
| 冻结 | 版本化冻结；新增样本进入下一版本而不是随手改 |
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
金标测试集构建
金标集从真实流量抽样加人工定标：覆盖典型场景与边界情形，规模先小后大；每条标注要有定标依据。
易错点
- 只用构造样本的金标集测不出线上分布问题；真实流量占比要足够
- 定标依据不落文字时，换人标注口径就会漂移；手册与样本一起维护
数据来源与参考
- CheckList 行为测试思路（Ribeiro et al., 2020）：最小功能测试集与能力分解