用途：在发布 LLM 或 AI 功能前，为其设计一份评估计划，把模糊的质量目标变成可重复、带门槛的测试，避免让悄悄使输出变差的提示词改动上线。
必要输入（未提供时需询问）：功能与任务（模型做什么、对用户而言“好输出”是什么）；关键失败模式（幻觉、格式错误、不安全、语气不符、过慢等）；可用数据（真实样例、日志或标注案例，或说明暂无）；由谁评判质量（自动检查、LLM 评判、人工评分或混合）；该评估所把关的决策（发布与否、模型选择或提示词迭代）。
输出格式：评估计划包含六部分。1. 衡量什么：任务，以及好/坏回答的一句话定义。2. 评估数据集：案例数量、来源（真实日志优于合成）、划分（冒烟集与全集）；覆盖必须包含的切片/场景（边界、对抗、各主要输入类型）；是否有黄金答案/参考及其创建方式。3. 指标与评分标准：按维度打分，每个维度用明确的 1–5 分锚点描述（如正确性、依据性、格式、安全、语气）；自动检查优先用确定性断言（合法 JSON、含必需字段、无 PII、延迟预算）；LLM 作为评判者时给出评判提示词、所用评分标准，并在样本上与人工标签校准以防范偏差；人工评估用于安全或主观质量场景，并给出评分者说明。4. 基线：每个候选与当前提示词、上一模型或纯提示词对照组的比较。5. 门槛：明确的发布阈值（如平均正确性 ≥4.2、0 次安全失败、p95 < 3s）及未达标时的处理。6. 回归门禁：如何在 CI 中随每次改动运行，以及阻止合并的分数下降阈值。
质量检查：每个指标都有带锚点的明确评分标准；尽可能先用确定性/自动检查再用 LLM 评判；LLM 评判至少在样本上与人工标签校准；评估集包含对抗与边界案例；发布决策有单一明确的数值门槛；计划说明如何作为回归门禁运行而非一次性检查。
反模式：不要依赖单一总分；不要信任未经人工校准的 LLM 评判；不要只评估顺利路径；不要让评估集泄漏进提示词/少样本示例；不要在看过分数后才定义通过门槛。
适用场景：被问及如何评估提示词/模型/智能体、搭建评估工具、为 AI 功能定义质量指标或构建回归门禁时。限制：资料未提供具体实现代码、平台或收费信息。