成功标准卡模板
成功标准卡模板
任务：从客服对话抽取退款原因
主指标：cause 字段准确率 ≥ 92%（金标集 200 条）
护栏指标：JSON 可解析率 ≥ 99.5%；单条 P95 延迟 ≤ 3s
失败判定：任一护栏不达标即回滚
评测集版本：golden-v3（2026-10-01 冻结）| 主指标 | 只选 1-2 个，多了无法指导决策 |
|---|---|
| 护栏 | 安全/格式/延迟等不能恶化的底线 |
| 冻结 | 评测集版本与标准一起冻结，改动需记录 |
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
先定成功标准再改提示
改提示前先写清成功标准：目标场景、主指标与门槛、护栏指标；标准落盘后再迭代，避免事后合理化。
易错点
- 没有成功标准的迭代会陷入“感觉更好了”；每次改动都要回放同一评测集
- 主指标外不设护栏时，格式或延迟可能悄悄劣化
数据来源与参考
- Anthropic 文档：Create strong empirical evaluations（先定义成功标准与失败判据）