GLOSSARY
评测套件
AI 产品的测试套件：黄金数据集、评分器，以及质量回退时拦住构建的门禁。
评测套件是模型行为的 CI。你保留一套冻结的输入，定义何为“好”——精确匹配、量表、模型裁判、人工复核——并在用户看到之前，用这把尺子跑过每一次提示词或模型改动。Braintrust 和 LangSmith 把这个闭环产品化了；很多团队仍是一份 pytest 加一张表。
没有套件，“模型变差了”只是轶事。有了它，就是一份 diff。纪律在于维护能代表生产而非演示的数据集，并抵制把评测刷绿、产品却没绿的冲动。从不失败的评测是装饰。