你测 AI 的方法，可能从一开始就错了！一条评论把自家实验推翻重做：8 比 0 打脸后，他们测了 240 次才发现更扎心的结果

大白话有个开发团队之前发文章说，他们做的 Skill Forge 工具在 120 道题里答对 110 道，一次性提示答对 118 道，但两组数据区间重叠，他们就含糊地说差距不明显。结果一位读者在评论区指出：同一道题跑两次不算独立样本，区间重叠也不该拿来比。团队回去按题配对重数，发现一次性提示赢了 8 对、自家工具 0 对，p 值 0.0078，等于被自己的数据打脸。他们把这套批评带进下一个实验，改成先登记比较方案、用真实工具调用记账，跑了 240 次。

对你意味着做 AI 评测、写 Agent 指令的人最该看：怎么比、比什么、失败怎么算，一步错结论就反了。