AI 评测

评测把「好像更聪明了」变成可对比的数字或清单。你可以准备 20 个真实用户问题、几页容易识别错的界面、或一批必须抽出的字段，每次改提示词/换模型后跑一遍。

对于 Vibe Coding 产品（诊断、生成、升级），评测尤其重要：换模型、改规则、动温度，都可能悄悄回退。评测可以是自动脚本（精确匹配、结构化字段），也可以是人工抽检量表。

注意：评测集太小或太假，会优化到「只会对付考题」。尽量用真实失败案例迭代题库。