三个人说 AI 行不行，能给你三个答案！100 条真实样本就能验收 AI 功能？这套「黄金集」打法把嘴仗变成数字

大白话很多团队判断 AI 功能好不好用，全靠最近碰巧看到的几个例子，三个人能给出三种结论。这篇文章的办法很土但管用：从真实业务流程里抽 100 条输入，人工标好正确答案，冻起来当「考卷」。以后换提示词、换模型、调阈值，都拿这张卷子重考一遍，分数掉了立刻能看见。作者还提醒，100 条的误差不小，95 分背后真实水平可能在 89 到 98 之间，所以它是个报警器，不是保证书。

对你意味着只要你在公司里做 AI 功能、又老被问「这玩意儿靠谱吗」，这套方法能让你拿数字回话；注意别拿它当训练数据，否则分数就失真了。