难例类别示例
难例类别示例
H1 否定与双重否定（“并非不需要...”）
H2 单位混用与千分位
H3 中英混排与全半角混杂
H4 指令与内容混排（内容中含指令样式文字）
H5 超长输入尾部关键信息| 定位 | 难例集是雷达不是标尺：看趋势与回归，不苛求绝对高分 |
|---|---|
| 更新 | 线上新 badcase 按类别并入，保持类别均衡 |
| 安全 | 注入类样本按防御验证目的设计，仅用于防护测试 |
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
难例集与对抗样本池
单独维护难例集：已知易错句式、诱导性输入、罕见格式；难例分数不作主指标，用于观察稳健性趋势。
易错点
- 把难例集分数与常规集分数平均会扭曲结论；分开报告
- 难例集长期不更新会失去区分度；定期补充新类型
数据来源与参考
- CheckList（Ribeiro et al., 2020）的对抗与最小功能测试设计思路