_{🧠 图解记忆：评测应从业务任务向下拆，而不是只看模型平均分；点击图片可查看原图。}

💡 答案要点

评测应从业务任务向下拆，而不是只看模型平均分：

1. 业务层：任务是否完成、节省了哪一步、人工是否采纳；
2. 任务层：按意图、风险、语言、数据来源等切片统计成功和严重失败；
3. 组件层：检索召回、工具选择、参数正确性、引用支持度；
4. 系统层：延迟、可用性、成本、超时和降级率；
5. 安全层：越权、注入、敏感数据、危险动作和拒答行为。

先从真实历史样本建立小而可信的黄金集，保存输入、期望、评分规则和来源；自动评分用于规模化，人审用于校准和高风险样本；线上反馈不能直接等同于正确答案。发布时比较候选版本与当前基线，并检查关键切片而非只看总体均值。

📚 参考：RAGAS（客户工作流评测体系参考）