VISUAL EXAMPLE
先看懂它怎么工作
等待操作
MECHANISM
运行机制
- 收集任务
- 标注期望与评分
- 运行模型
- 比较并分析退化
USE WHEN
适合这样用
模型升级、Prompt 调整和 RAG 质量验证
NOT FOR
不要这样理解
只挑容易成功的示例会制造虚假高分
TELL YOUR AGENT
可直接发给 Agent
请按“Evaluation Dataset 评测集”的概念处理这个需求：把常见问题、边界案例和历史失败都放进回归评测。。先说明实现边界，再给出可检查的结果。ACCEPTANCE
怎么确认它真的做好了
覆盖真实分布和高风险边界，评分可复现，版本变化有对照报告
OFFICIAL SOURCES