先做基线，再讨论模型是否变好

模型输出具有波动性，演示样本也容易被有意或无意地挑选。一个小而稳定的基线，可以把讨论从“这次看起来不错”推进到“在哪些任务上改善，代价是什么”。

一、样本覆盖真实任务与失败风险

样本不必一开始很多，但要覆盖常见输入、边界输入、信息缺失、冲突信息和高风险操作。每个样本写清期望行为，以及哪些错误绝不能接受。

二、评分规则先于模型输出

在查看新模型结果前确定评分维度，例如事实正确、格式遵循、引用支持、拒答合理和延迟成本。先看结果再改规则，会把主观偏好包装成评测。

三、固定运行条件

记录模型版本、提示版本、生成参数、工具与知识库版本。比较时一次只改变关键变量，否则无法说明提升来自模型、提示、检索还是样本偶然性。

四、错误分类比平均分更有用

平均分可能掩盖严重错误。把失败分为事实、指令、格式、引用、权限和拒答等类别，可以看到改动是否用一种错误换来了另一种错误。

五、把上线标准写成决策门槛

• 关键错误不得高于当前基线。
• 改善应在重复运行中保持，而非只出现一次。
• 成本和延迟增加必须有对应收益。
• 高风险任务保留人工确认和回滚路径。