预算表模板（单请求估算）
预算表模板（单请求估算）
系统提示 320
few-shot 示例 900
检索内容 1600
对话历史 600
输出预留 400
合计约 3820 tokens
预算上限 4000；示例或检索超限时先裁剪| 分解 | 先分解再优化；示例与检索内容常是大头 |
|---|---|
| 上限 | 每个组成部分设上限并有裁剪策略 |
| 监控 | 上线后监控实际消耗，偏差大时回查提示 |
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
token 用量核算与预算
给每条提示链算 token 账：系统提示、示例、检索内容、历史对话与输出各占多少；大头上限期，防无声膨胀。
易错点
- 只测一次总价的估算会随示例增加而失真；按组成部分滚动维护
- 忽略输出预留时输出被截断；输出额度要单独留足
数据来源与参考
- LLM 应用 token 预算与上下文管理实践（分词器与上下文窗口约束）