在线看板指标
在线看板指标
质量：解析失败率 / 重试率 / 拒答率 / 每周抽检人工合格率
性能：P50 / P95 / P99 时延
成本：token 消耗与单请求成本趋势
告警：任一指超出基线区间 → 通知并冻结当日变更| 基线 | 上线首周数据建立基线区间，再设告警阈值 |
|---|---|
| 抽检 | 在线数据每周抽样人工评审，防止指标漂移 |
| 预案 | 异常时先回滚提示版本，再离线定位 |
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
上线后的质量监控
上线不是终点：监控解析失败率、重试率、拒答率、时延分位与抽检合格率；异常波动触发回看与回滚预案。
易错点
- 只监控可用性不监控质量，输出劣化无人察觉；质量指标要在线化
- 没有回滚预案时，问题定位期间持续出错；先回滚再排查
数据来源与参考
- 在线服务监控实践（SLO 与分位数指标）；LLM 应用可观测性建议