02
Field Evaluation / 多 AI 实战评测
设计一场真实任务基准
用真实文件、权限、失败和交付物测试 AI，而不是只比较回答风格。
有效基准必须包含环境摩擦，否则测到的只是语言能力。
01
先问清楚
- 任务是否来自真实工作？
- 输入与权限是否对所有工具一致？
- 完成标准能否由第三方复核？
02
实践框架
- 1固定任务包
- 2统一环境与时间盒
- 3记录所有介入
- 4注入一次可恢复故障
- 5独立验收产物
03
验收证据
- 原始任务说明
- 环境清单
- 脱敏执行日志
- 最终产物哈希
- 验收报告
04
常见失误
- 为某模型定制任务
- 只看首次输出
- 忽略恢复能力
- 用主观好感评分