企业官网建设流程全解析

服务台试点一周后，团队准备更换模型，并改进投屏指引的切分方式。演示对话看起来更自然了，小林的问题却可能出现新错误：原来会先追问连接方式，现在直接推荐不适用步骤；原来会在建单前确认，现在把“帮我处理”误当成同意。没有固定的测试集，每一次“优化”都可能悄悄破坏已经做对的事。

本篇把小林的故事变成可重复的评测流程。测试集不仅检查答复文字，还检查动作顺序、资料出处、权限边界、工具调用、失败恢复和成本。评测不能保证所有真实请求都正确，但可以让版本变化造成的回退尽早暴露，避免用几段挑选过的漂亮演示代替业务验收。

从真实求助提炼测试样本

一条好样本要写出输入、初始状态、可用资料、预期动作和判定证据。只写“用户问投屏问题，期望回答准确”太笼统；测试失败时无法知道是追问、检索还是表述出了问题。小林的原始求助可以拆成多个阶段，每个阶段分别验证。