知识点思维导图
22 个知识节点
可观测性（01） - Dataset、Evaluation 与质量指标
读完后，你应能：
- 能验证“用版本化数据集和分层指标同时约束检索、生成、Agent 行为及端到端任务完成率”，并保存输入、输出与失败样本。
- 能验证“RAG 分别评估 Recall@K、MRR、上下文相关性、引用正确性和答案忠实度”，并保存输入、输出与失败样本。
用版本化数据集和分层指标同时约束检索、生成、Agent 行为及端到端任务完成率。
核心知识清单
- Dataset、Example、Split 与版本
- Baseline、Candidate 与 Experiment
- Retrieval、Generation、Agent 与端到端分层评测
- Deterministic、Human 与 LLM-as-Judge
- Offline Regression 与 Online Evaluation
- 质量、延迟、成本与安全发布门禁
一、先建立全局：Dataset、Evaluation 与质量指标 是什么？
理解“Dataset、Evaluation 与质量指标”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“Dataset、Evaluation 与质量指标”的第一个核心判断是：Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | 核心决策 | Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。 |
| 2 | 落地步骤 | 从真实流量按错误类型分层采样并去敏。 -> 固定数据、Prompt、模型和评测器版本。 -> 在 CI 做小回归，发布前做完整对比，线上监控分布漂移。 |
| 3 | 决策记录怎么写 | 上线前不要只留下“采用 Dataset、Evaluation 与质量指标”这一句结论。 |
| 4 | 生产避坑 | 单一平均分无法反映高风险子集退化。 |
| 5 | 故障演练 | 注入与“只看最终答案会掩盖错误证据。 -> 注入与“测试集污染会虚高分数。 -> 注入与“单一平均分无法反映高风险子集退化。 |
| 6 | Dataset、Example、Split 与版本 | # 可观测性（01） - Dataset、Evaluation 与质量指标 |
1.1 核心对象之间怎样衔接
flowchart LR
S1["核心决策"] --> S2
S2["落地步骤"] --> S3
S3["决策记录怎么写"] --> S4
S4["生产避坑"] --> S5
S5["故障演练"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“Dataset、Evaluation 与质量指标”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“Dataset、Evaluation 与质量指标”的对象和顺序已经明确后，再看可观察的失败：条件缺失、结果不可复现或失败后责任不清。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、为什么需要 Dataset、Evaluation 与质量指标
本章给出可以进入设计评审和生产检查的最小框架。
三、Dataset、Evaluation 与质量指标的核心决策
- RAG 分别评估 Recall@K、MRR、上下文相关性、引用正确性和答案忠实度。
- Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。
- LLM-as-Judge 需要明确 rubric、锚点样例和人工抽检，不能直接当真值。
四、Dataset、Evaluation 与质量指标的落地步骤
- 从真实流量按错误类型分层采样并去敏。
- 固定数据、Prompt、模型和评测器版本。
- 在 CI 做小回归，发布前做完整对比，线上监控分布漂移。
五、Dataset、Evaluation 与质量指标的决策记录怎么写
上线前不要只留下“采用 Dataset、Evaluation 与质量指标”这一句结论。
| 需要回答的问题 | 当前决策 | 必须保留的证据 |
|---|---|---|
| 决策 1 | RAG 分别评估 Recall@K、MRR、上下文相关性、引用正确性和答案忠实度。 | 对应步骤 1 的数据集、日志或压测结果 |
| 决策 2 | Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。 | 对应步骤 2 的数据集、日志或压测结果 |
| 决策 3 | LLM-as-Judge 需要明确 rubric、锚点样例和人工抽检，不能直接当真值。 | 对应步骤 3 的数据集、日志或压测结果 |
下面的记录可以直接放进项目设计文档。
topic: Dataset、Evaluation 与质量指标
baseline:
version: required
dataset: required
candidate:
version: required
change: required
acceptance:
quality: business_threshold
p95_latency_ms: service_slo
cost_per_success: budget_limit
rollback:
trigger: any_acceptance_regression
owner: named_on_call
六、Dataset、Evaluation 与质量指标的生产避坑
- 只看最终答案会掩盖错误证据。
- 测试集污染会虚高分数。
- 单一平均分无法反映高风险子集退化。
七、Dataset、Evaluation 与质量指标的故障演练
- 注入与“只看最终答案会掩盖错误证据。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
- 注入与“测试集污染会虚高分数。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
- 注入与“单一平均分无法反映高风险子集退化。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
演练必须能回答三个问题：故障是否在预算内快速失败， 是否会越权或产生重复副作用， 恢复后是否能用同一数据集证明质量没有退化。 只有错误日志、没有用户影响和恢复证据，不能算完成排障。
验收清单
- 关键输入、输出、预算和停止条件都有结构化记录。
八、动手验证：先跑通 Dataset、Evaluation 与质量指标，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“Dataset、Evaluation 与质量指标”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
8.1 基线与候选只允许一个变量不同
验证“Dataset、Evaluation 与质量指标”时，先固定样本、基线、候选、成功标准和失败边界。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“Dataset、Evaluation 与质量指标”时，动作是：同环境运行基线与候选，记录输入、中间状态和异常。原始结果不能只保留截图或汇总分数，必须同步保存：可重放命令、结构化日志、输出 Diff、失败样本、版本，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 固定样本、基线、候选、成功标准和失败边界 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| 通过阈值 | 结果符合结论条件，异常输入可解释、可恢复 |
| 立即停止 | 条件缺失、结果不可复现或失败后责任不清 |
8.2 执行前先排除不可比较条件
“Dataset、Evaluation 与质量指标”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“Dataset、Evaluation 与质量指标”的当前环境重复运行。
- 候选只改变一个与“Dataset、Evaluation 与质量指标”结论直接相关的条件。
- “Dataset、Evaluation 与质量指标”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “Dataset、Evaluation 与质量指标”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
8.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“Dataset、Evaluation 与质量指标”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 固定样本、基线、候选、成功标准和失败边界 |
| 过程可回放 | 同环境运行基线与候选，记录输入、中间状态和异常 |
| 结果可审计 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
“Dataset、Evaluation 与质量指标”的一次合格基线对照按以下顺序执行：
- 保存“Dataset、Evaluation 与质量指标”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“Dataset、Evaluation 与质量指标”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“Dataset、Evaluation 与质量指标”：同环境运行基线与候选，记录输入、中间状态和异常。
- 为“Dataset、Evaluation 与质量指标”保存：可重放命令、结构化日志、输出 Diff、失败样本、版本。
- 使用“Dataset、Evaluation 与质量指标”预登记条件判断：结果符合结论条件，异常输入可解释、可恢复。
- 如果“Dataset、Evaluation 与质量指标”未通过，不修改第二个变量，先恢复基线并保留失败现场。
九、用一张矩阵验证 Dataset、Evaluation 与质量指标 的关键结论
矩阵按正文顺序列出“Dataset、Evaluation 与质量指标”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| 核心决策 | Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。 | 只改变与“核心决策”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| 落地步骤 | 从真实流量按错误类型分层采样并去敏。 -> 固定数据、Prompt、模型和评测器版本。 -> 在 CI 做小回归，发布前做完整对比，线上监控分布漂移。 | 只改变与“落地步骤”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| 决策记录怎么写 | 上线前不要只留下“采用 Dataset、Evaluation 与质量指标”这一句结论。 | 只改变与“决策记录怎么写”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| 生产避坑 | 单一平均分无法反映高风险子集退化。 | 只改变与“生产避坑”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| 故障演练 | 注入与“只看最终答案会掩盖错误证据。 -> 注入与“测试集污染会虚高分数。 -> 注入与“单一平均分无法反映高风险子集退化。 | 只改变与“故障演练”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
| Dataset、Example、Split 与版本 | # 可观测性（01） - Dataset、Evaluation 与质量指标 | 只改变与“Dataset、Example、Split 与版本”相关的条件 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 |
9.1 记录本次实际实验
下面的记录用于“Dataset、Evaluation 与质量指标”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "Dataset、Evaluation 与质量指标"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "同环境运行基线与候选，记录输入、中间状态和异常"
evidence: "可重放命令、结构化日志、输出 Diff、失败样本、版本"
pass_when: "结果符合结论条件，异常输入可解释、可恢复"
stop_when: "条件缺失、结果不可复现或失败后责任不清"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
9.2 边界实验必须证明能够停止和恢复
成功路径只能证明“Dataset、Evaluation 与质量指标”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：条件缺失、结果不可复现或失败后责任不清，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 可重放命令、结构化日志、输出 Diff、失败样本、版本 | 结果符合结论条件，异常输入可解释、可恢复 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：条件缺失、结果不可复现或失败后责任不清 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：保留基线，缩小变量；根因确认前不扩大范围 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“Dataset、Evaluation 与质量指标”，第一步是：保留基线，缩小变量；根因确认前不扩大范围。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“Dataset、Evaluation 与质量指标”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
十、Dataset、Evaluation 与质量指标 的结果解释
解释“Dataset、Evaluation 与质量指标”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 条件缺失、结果不可复现或失败后责任不清 | 先执行：保留基线，缩小变量；根因确认前不扩大范围 |
| 异常链路无法恢复 | 条件缺失、结果不可复现或失败后责任不清 | 先执行：保留基线，缩小变量；根因确认前不扩大范围 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“Dataset、Evaluation 与质量指标”只有同时满足“结果符合结论条件，异常输入可解释、可恢复”，并且没有出现“条件缺失、结果不可复现或失败后责任不清”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“Dataset、Evaluation 与质量指标”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“Dataset、Evaluation 与质量指标”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
十一、Dataset、Evaluation 与质量指标 的发布判断
发布判断需要把“Dataset、Evaluation 与质量指标”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “Dataset、Evaluation 与质量指标”的基线与候选只存在一个计划内变量。
- “Dataset、Evaluation 与质量指标”的输入、代码、依赖、配置和数据版本可以追溯。
- “Dataset、Evaluation 与质量指标”的正常、临界、失败和恢复样本使用同一套断言。
- “Dataset、Evaluation 与质量指标”的原始输出、中间状态和失败现场已经保留。
- “Dataset、Evaluation 与质量指标”的日志、Trace、截图和测试数据已经脱敏。
- “Dataset、Evaluation 与质量指标”的停止条件、负责人和回滚入口已经演练。
- “Dataset、Evaluation 与质量指标”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“Dataset、Evaluation 与质量指标”的判断，就不能发布。
十二、总结
- 核心决策：Agent 评估任务成功率、工具选择、参数正确率、步骤数、成本和安全违规。
- 落地步骤：从真实流量按错误类型分层采样并去敏。 -> 固定数据、Prompt、模型和评测器版本。 -> 在 CI 做小回归，发布前做完整对比，线上监控分布漂移。
- 决策记录怎么写：上线前不要只留下“采用 Dataset、Evaluation 与质量指标”这一句结论。
- 生产避坑：单一平均分无法反映高风险子集退化。
- 故障演练：注入与“只看最终答案会掩盖错误证据。 -> 注入与“测试集污染会虚高分数。 -> 注入与“单一平均分无法反映高风险子集退化。
学完自测
选择所有正确答案；提交后逐项核对判断依据。