评测场
改提示词最怕「感觉变好了」。这里把用例写成可判定的形式:期望包含什么、期望不含什么;跑一轮,把实际输出贴进去,自动判定并记分。改完再跑一轮,两个结果并排看。
0
用例数
—
最近通过率
—
最近维度均分
0
已跑轮次
01
打分维度
每个维度 1–5 分,带权重02
测试用例
每行一条,用 | 分隔多行文本03
跑一轮
把实际输出贴进去,自动判定
用法:把智能体对每条用例的真实回复粘贴到下面的框里,点「判定并记录」。判定规则是纯文本匹配——期望包含里的每一项都要出现,期望不含里的每一项都不能出现。
保存于本机
ag.eval
04
轮次记录
两轮并排对比最近两轮对比
至少跑两轮才能对比。
判定是文本匹配,不做语义评估;维度分要人工给。目的是让「改完变好还是变差」有据可查。