待验证50% 置信事实精确时间

回归评估集（Eval Set）通常包含代表性输入case、对应的期望工具调用序列（golden trace）以及可接受的输出范围

1

来源数

50%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

AI Agent回滚难题：Prompt、工具与模型如何协同版本管理

涉及实体

Eval Setconcept

相关事实

待验证评估集构建遵循「黄金数据集」原则：从真实生产流量采样，覆盖高频场景、边界情况和已知失败案例，并由人工标注期望输出作为基准79% 相似待验证Golden Eval Sets 是一组预先标注正确答案的测试样本，用于衡量AI输出质量，在模型升级或prompt修改后进行回归测试以检测性能退化72% 相似待验证一套完整的Evals体系通常包括定义评估数据集、设计评分标准（可用另一个LLM作为裁判自动评分）以及持续追踪关键指标随版本迭代的变化70% 相似待验证评测环节需预先准备覆盖典型场景的Golden Set（标准问答集），对新旧规则分别跑分做对比，以防止规则通胀68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/966792

API

curl https://kongchang.com/api/v1/knowledge/claims/966792

MCP

get_claim(id=966792)