LLM 系统 Evals 速查表：从测试设计到上线验证

这份 LLM 系统 Evals 速查表面向交付、采购和签核 LLM 软件的人员，整理了从真实失败案例构建测试集、校验评分器到评估 RAG 与 Agent 的方法。指南建议开发集用于调参、测试集仅用于报告，并通过人工标注基准、Cohen's kappa、误差棒、A/B 测试和自建 eval 验证系统效果。