知识点思维导图
15 个知识节点
可观测性（04） - LLM-as-Judge、Pairwise 与人工标注
读完后，你应能完成以下任务：
- 绘制“可观测性（04） - LLM-as-Judge、Pairwise 与人工标注 / 评测器怎么选”的关键对象与数据流，解释“JSON Schema、引用存在和工具参数适合确定性代码；”，并用源码位置、日志或 Trace 标注证据。
- 为“可观测性（04） - LLM-as-Judge、Pairwise 与人工标注 / Judge 设计”设计正常与异常输入，验证“Rubric 写清评分对象、证据边界、等级含义和反例。”，输出首个偏差位置与回归测试结果。
- 实现“可观测性（04） - LLM-as-Judge、Pairwise 与人工标注 / Annotation Queue 与校准闭环”的最小代码或配置，检验“先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。”，输出命令、结果与 Diff，并说明不适用边界。
评测器是测量工具，不是真值；先定义 Rubric 和人工基准，再判断自动评分是否可信。
核心知识清单
- Deterministic、Human 与 LLM Evaluator
- LLM-as-Judge 的 Rubric 与锚点
- Reference-based 与 Reference-free
- Pointwise 与 Pairwise Evaluation
- Judge 校准、偏差与一致性
- Annotation Queue 与失败样本回流
一、先建立全局：LLM-as-Judge、Pairwise 与人工标注 是什么？
理解“LLM-as-Judge、Pairwise 与人工标注”，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。
“LLM-as-Judge、Pairwise 与人工标注”的第一个核心判断是：JSON Schema、引用存在和工具参数适合确定性代码；。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 | 评测器怎么选 | JSON Schema、引用存在和工具参数适合确定性代码； |
| 2 | Judge 设计 | Rubric 写清评分对象、证据边界、等级含义和反例。 |
| 3 | Annotation Queue 与校准闭环 | 先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。 |
| 4 | LLM-as-Judge 的 Rubric 与锚点 | 先定义 Rubric 和人工基准，再判断自动评分是否可信。 |
| 5 | Judge 校准、偏差与一致性 | 先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。 |
| 6 | Annotation Queue 与失败样本回流 | 低置信、分歧和高风险 Trace 进入 Annotation Queue， |
1.1 核心对象之间怎样衔接
flowchart LR
S1["评测器怎么选"] --> S2
S2["Judge 设计"] --> S3
S3["Annotation Queue 与校准闭环"] --> S4
S4["LLM-as-Judge 的 Rubric 与锚点"] --> S5
S5["Judge 校准、偏差与一致性"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“LLM-as-Judge、Pairwise 与人工标注”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“LLM-as-Judge、Pairwise 与人工标注”的对象和顺序已经明确后，再看可观察的失败：数据泄漏、只报均分、裁判未校准或样本不可追溯。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、评测器怎么选
JSON Schema、引用存在和工具参数适合确定性代码； 事实性、帮助度等语义维度可由 LLM 辅助； 医疗、法律、品牌和新型失败仍需领域人员。 能提供标准答案时使用 reference-based； 开放任务只能 reference-free，但要把标准拆成单一维度。
三、Judge 设计
Rubric 写清评分对象、证据边界、等级含义和反例。 一个 Judge 尽量只评一个维度，并输出分数、理由和证据引用。 Pairwise 比较两个候选通常比绝对打分稳定，但要随机 A/B 顺序，控制位置和长度偏差。
四、Annotation Queue 与校准闭环
先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。 模型、Prompt 或 Rubric 变更后重新校准。 低置信、分歧和高风险 Trace 进入 Annotation Queue， 经确认后回流版本化 Dataset， 而不是直接拿线上点赞当真值。
Annotation Queue 是人工裁决队列，不是普通待办列表； 每条记录需要保存输入、候选输出、模型与 Prompt 版本、自动评分、分歧原因和风险等级。 Annotation Queue 的处理结果要记录标注者与 Rubric 版本， 只有通过一致性抽检的数据才能进入回归集。
五、动手验证：先跑通 LLM-as-Judge、Pairwise 与人工标注，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“LLM-as-Judge、Pairwise 与人工标注”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。
5.1 基线与候选只允许一个变量不同
验证“LLM-as-Judge、Pairwise 与人工标注”时，先固定版本化数据集、切分规则、基线、Rubric、随机参数。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“LLM-as-Judge、Pairwise 与人工标注”时，动作是：同输入比较基线与候选的能力、安全、延迟和成本。原始结果不能只保留截图或汇总分数，必须同步保存：逐样本输出、评分理由、置信区间、失败标签、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 | 版本化数据集、切分规则、基线、Rubric、随机参数 |
| 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 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| 通过阈值 | 目标指标改善，通用能力与安全集不越过回退阈值 |
| 立即停止 | 数据泄漏、只报均分、裁判未校准或样本不可追溯 |
5.2 执行前先排除不可比较条件
“LLM-as-Judge、Pairwise 与人工标注”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“LLM-as-Judge、Pairwise 与人工标注”的当前环境重复运行。
- 候选只改变一个与“LLM-as-Judge、Pairwise 与人工标注”结论直接相关的条件。
- “LLM-as-Judge、Pairwise 与人工标注”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。
- “LLM-as-Judge、Pairwise 与人工标注”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
5.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“LLM-as-Judge、Pairwise 与人工标注”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 | 版本化数据集、切分规则、基线、Rubric、随机参数 |
| 过程可回放 | 同输入比较基线与候选的能力、安全、延迟和成本 |
| 结果可审计 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
“LLM-as-Judge、Pairwise 与人工标注”的一次合格基线对照按以下顺序执行：
- 保存“LLM-as-Judge、Pairwise 与人工标注”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“LLM-as-Judge、Pairwise 与人工标注”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“LLM-as-Judge、Pairwise 与人工标注”：同输入比较基线与候选的能力、安全、延迟和成本。
- 为“LLM-as-Judge、Pairwise 与人工标注”保存：逐样本输出、评分理由、置信区间、失败标签、版本。
- 使用“LLM-as-Judge、Pairwise 与人工标注”预登记条件判断：目标指标改善，通用能力与安全集不越过回退阈值。
- 如果“LLM-as-Judge、Pairwise 与人工标注”未通过，不修改第二个变量，先恢复基线并保留失败现场。
六、用一张矩阵验证 LLM-as-Judge、Pairwise 与人工标注 的关键结论
矩阵按正文顺序列出“LLM-as-Judge、Pairwise 与人工标注”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 |
|---|---|---|---|
| 评测器怎么选 | JSON Schema、引用存在和工具参数适合确定性代码； | 只改变与“评测器怎么选”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| Judge 设计 | Rubric 写清评分对象、证据边界、等级含义和反例。 | 只改变与“Judge 设计”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| Annotation Queue 与校准闭环 | 先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。 | 只改变与“Annotation Queue 与校准闭环”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| LLM-as-Judge 的 Rubric 与锚点 | 先定义 Rubric 和人工基准，再判断自动评分是否可信。 | 只改变与“LLM-as-Judge 的 Rubric 与锚点”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| Judge 校准、偏差与一致性 | 先准备人工标注的校准集，计算 Judge 与人工的一致率，并按风险子集查看误报和漏报。 | 只改变与“Judge 校准、偏差与一致性”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
| Annotation Queue 与失败样本回流 | 低置信、分歧和高风险 Trace 进入 Annotation Queue， | 只改变与“Annotation Queue 与失败样本回流”相关的条件 | 逐样本输出、评分理由、置信区间、失败标签、版本 |
6.1 记录本次实际实验
下面的记录用于“LLM-as-Judge、Pairwise 与人工标注”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: "LLM-as-Judge、Pairwise 与人工标注"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "同输入比较基线与候选的能力、安全、延迟和成本"
evidence: "逐样本输出、评分理由、置信区间、失败标签、版本"
pass_when: "目标指标改善，通用能力与安全集不越过回退阈值"
stop_when: "数据泄漏、只报均分、裁判未校准或样本不可追溯"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
6.2 边界实验必须证明能够停止和恢复
成功路径只能证明“LLM-as-Judge、Pairwise 与人工标注”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：数据泄漏、只报均分、裁判未校准或样本不可追溯，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 | 逐样本输出、评分理由、置信区间、失败标签、版本 | 目标指标改善，通用能力与安全集不越过回退阈值 |
| 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：数据泄漏、只报均分、裁判未校准或样本不可追溯 | 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，隔离失败样本，定位数据、提示、模型或裁判 | 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“LLM-as-Judge、Pairwise 与人工标注”，第一步是：保留基线，隔离失败样本，定位数据、提示、模型或裁判。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。
“LLM-as-Judge、Pairwise 与人工标注”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”。
七、LLM-as-Judge、Pairwise 与人工标注 的结果解释
解释“LLM-as-Judge、Pairwise 与人工标注”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 | 数据泄漏、只报均分、裁判未校准或样本不可追溯 | 先执行：保留基线，隔离失败样本，定位数据、提示、模型或裁判 |
| 异常链路无法恢复 | 数据泄漏、只报均分、裁判未校准或样本不可追溯 | 先执行：保留基线，隔离失败样本，定位数据、提示、模型或裁判 |
| 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 |
“LLM-as-Judge、Pairwise 与人工标注”只有同时满足“目标指标改善，通用能力与安全集不越过回退阈值”，并且没有出现“数据泄漏、只报均分、裁判未校准或样本不可追溯”，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“LLM-as-Judge、Pairwise 与人工标注”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。
“LLM-as-Judge、Pairwise 与人工标注”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。
八、LLM-as-Judge、Pairwise 与人工标注 的发布判断
发布判断需要把“LLM-as-Judge、Pairwise 与人工标注”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。
- “LLM-as-Judge、Pairwise 与人工标注”的基线与候选只存在一个计划内变量。
- “LLM-as-Judge、Pairwise 与人工标注”的输入、代码、依赖、配置和数据版本可以追溯。
- “LLM-as-Judge、Pairwise 与人工标注”的正常、临界、失败和恢复样本使用同一套断言。
- “LLM-as-Judge、Pairwise 与人工标注”的原始输出、中间状态和失败现场已经保留。
- “LLM-as-Judge、Pairwise 与人工标注”的日志、Trace、截图和测试数据已经脱敏。
- “LLM-as-Judge、Pairwise 与人工标注”的停止条件、负责人和回滚入口已经演练。
- “LLM-as-Judge、Pairwise 与人工标注”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“LLM-as-Judge、Pairwise 与人工标注”的判断，就不能发布。
九、总结
- 评测器怎么选：JSON Schema、引用存在和工具参数适合确定性代码；
- Judge 设计：Rubric 写清评分对象、证据边界、等级含义和反例。
- Annotation Queue 与校准闭环：先用人工标注校准 Judge，再让低置信、分歧和高风险 Trace 进入 Annotation Queue，经确认后回流版本化 Dataset。
- LLM-as-Judge 的 Rubric 与锚点：先定义 Rubric 和人工基准，再判断自动评分是否可信。
- Annotation Queue 与失败样本回流：低置信、分歧和高风险 Trace 进入 Annotation Queue，经确认后回流版本化 Dataset，而不是直接拿线上点赞当真值。
学完自测
选择所有正确答案；提交后逐项核对判断依据。