🧠 图解记忆： 测试集来自真实场景，覆盖正常与边界，并随线上失败持续生长。

💡 答案要点

测试集构建流程：

1. 收集问题 → 2. 标注标准答案 → 3. 分类整理 → 4. 定期更新

问题分类：

类别	说明	占比
简单问题	FAQ、事实查询	40%
中等问题	需要推理	40%
复杂问题	多步推理、计算	15%
边界问题	模糊、无答案	5%

测试集规模：

• 最小可用：50-100 题
• 推荐：200-500 题
• 生产级：1000+ 题

维护策略：

1. 每周新增：从用户反馈中收集新问题
2. 每月审核：删除过时问题，更新答案
3. 每季度回归：跑一遍测试集，确保质量不下降

面试话术：

"我维护了一个 300 题的测试集，覆盖简单/中等/复杂三种难度。每次上线前跑一遍，Faithfulness 低于 0.7 就阻断发布。同时每周从用户反馈中收集 10-20 个新问题，持续扩充测试集。"

📚 参考：OpenAI Evals（评估集构建）