AI 产品经理的必修课：构建自动化评估体系

本文来自微信公众号： 骆齐 ，作者：骆齐

你有没有过这种经历：你为了修复Case A，调整了一句Prompt，结果Case A修好了，原本完美的Case B、C、D却突然崩了？这种按下葫芦浮起瓢的“打地鼠”游戏，在过去两年的LLM产品研发中，简直是我的噩梦。

在传统软件开发里，改一行代码，有单元测试（Unit Test）兜底；但在AI开发里，很多人还在靠“Vibe Check”——也就是俗称的“凭感觉测”。随便问几个问题，看着挺像回事，就觉得稳了。

今天我想和大家聊点硬核的：如何告别玄学调优，构建一套属于AI产品的自动化评估体系。这不仅是技术问题，更是AI产品经理必须建立的认知护城河。

01为什么“体感测试”会害死人？

做AI产品久了，你会发现大模型有一个极其讨厌的特性：非确定性。

以前做App，你点击按钮A，它必然跳转页面B。但在LLM里，你输入同样的Prompt，早上的回答和晚上的回答可能就不一样。

更可怕的是，Prompt是一个高度耦合的混沌系统。你为了让它在“写周报”场景下更严肃一点，加了一句指令，结果它在“写情书”场景下也变得像个教导主任。

靠人工测试是测不过来的。

我曾经带过一个客服机器人项目，初期我们靠三个实习生每天肉眼看Log。后来随着Prompt版本迭代，回归测试的工作量呈指数级上升。实习生累到离职，而由于每个人对“好回答”的定义不同（主观性太强），导致我们的模型效果在几个版本间反复横跳。

那时我意识到：没有量化，就没有优化。如果无法用数字衡量你的Prompt改动是“变好”还是“变坏”，那你就是在盲人摸象。

02从0到1：搭建你的评估体系

很多人一听到评估，觉得那是算法工程师的事。大错特错。

定义什么是“好结果”，是产品经理的核心天职。算法关注的是Loss值的下降，而PM关注的是用户体验的交付。

构建一个最基础的自动化Eval体系，其实只需要三步。

第一步：构建“黄金数据集”

这是所有评估的基石。很多团队做不好评估，是因为手里根本没有“真题集”。

不需要上来就搞几万条数据，那是大厂基建组的事。作为业务PM，你只需要准备50-100条最具代表性的Case。

这些Case应该包含：

• 高频场景：用户最常问的20%的问题。

  长尾/困难场景：以前经常出错的、这就逻辑复杂的坑。

  对抗样本：用户故意挑衅、涉黄涉政的钓鱼问题。

  关键在于标准答案的制定。

  对于提取类任务（比如从简历里提取电话号码），标准答案是唯一的。

  对于生成类任务（比如写一首诗），标准答案可能是一个“参考范文”，或者是一组“必须包含的要点”。

  有了题，怎么打分？这里分为两类指标：

  这部分好做，写代码正则匹配就行。

  格式合规率：要求输出JSON，它有没有输出Markdown？

  拒识率：遇到敏感词，是否触发了兜底话术？

  包含率：比如要求必须包含“由于系统维护”这几个字，它漏没漏？

  这部分是AI PM最头疼的。回答“准确吗？”、语气“友好吗？”、逻辑“通顺吗？”

  以前这些只能靠人看，但现在，我们有了魔法：LLM-as-a-Judge（用大模型当裁判）。

  第三步：引入LLM-as-a-Judge

  这是目前硅谷最主流的实战流派。既然人看太慢，为什么不让GPT-5来帮我们看？

  简单来说，就是写一段专门的Prompt，告诉GPT-5：“你是一个严格的考官，请根据【问题】、【模型回答】和【参考答案】，给【模型回答】打分（1-5分），并给出理由。”

  很多人质疑：用AI测AI，这不是套娃吗？准吗？

  根据我的实测，在复杂的语义理解场景下，GPT-5作为裁判的判决结果，与人类专家的一致性通常能达到80%-90%以上。

  更重要的是，它快，而且不知疲倦。

  你可以配置这样的自动化流：

  修改了业务Prompt。

  脚本自动跑一遍那100条黄金数据集。

  GPT-5裁判自动打分。

  03进阶：PM如何在评估中发挥价值？

  搭建了系统（通常可以使用LangSmith,Promptfoo等工具，或者让研发写个简单的Python脚本），PM的工作才刚刚开始。

  1.维护“裁判的价值观”

  LLM-as-a-Judge最难的地方在于，你需要把脑子里的“好标准”显性化。

  如果你发现裁判打分和你心里想的不一样，通常不是裁判傻，而是你没把标准定义清楚。

  你需要不断调试Judge Prompt，比如明确告诉它：“只要没有提到退货政策，无论语气多好，都只能给1分。”

  这个过程，本质上是在通过prompt将业务规则代码化。

  2.关注Bad Case的这一公里

  自动化评分不是为了看一个总分自嗨的。评估跑完后，生成的“错题本”才是金矿。

  PM每天的工作重点，应该从“想新功能”，转移到“分析错题”上来。

  是Prompt指令不清晰？

  是RAG检索到的上下文（Context）是错的？

  还是模型本身的能力天花板？

  针对每一类错误，制定针对性的优化策略。这才是AI产品迭代的闭环。

  在AI时代，产品经理的门槛变了吗？

  有人说变低了，因为不用画复杂的原型图了，对着聊天框就能设计产品。

  我觉得是变高了。因为我们失去了“确定性”这个拐杖。

  评估体系让我们敢于重构Prompt，因为我们知道有测试网兜底；让我们敢于尝试更便宜的小模型，因为我们能监控效果的折损率；也让我们面对老板及客户的质疑时，能拿出冷冰冰但有说服力的数据，而不是苍白的“我觉得挺好”。

  从今天开始，哪怕先在Excel里整理出20条黄金Case，也是构建你职业护城河的第一步。

  在这个狂奔的时代，“慢”，有时候就是“快”。

  。