评测驱动开发：AI 应用的持续集成

为什么需要

提示词改了几个字、模型换了个版本、检索参数动了动——任何微小改动都可能让某个场景悄悄退化。

最小实践

50 条核心场景测试用例、自动化评分、改动前后对比报告。半天就能搭建。

进阶

评测接入持续集成流水线，退化超过阈值自动阻断发布；评测集随业务迭代持续扩充。