一个成熟的评测团队，核心能力不是一开始就搭出完美系统，而是能把线上问题、失败样本、模糊反馈不断转化成结构化评测资产。

从高频核心场景起步，先定义少量关键指标
从生产环境中收集 Bad Case
沉淀高质量 Good Case，明确什么叫“好”

https://tech.meituan.com/2026/08/07/Agent-Evaluation.html

Q： 如果是老板，你会怎么推动这个事情运转? 怎么设置里程碑？

  • 里程碑设置：最小mvp 解决历史高频场景（定义清楚场景）
  • 拆分做工项：平台、
  • 没跑通之前，不要快速设置指标。