做第一份 AI 评测集，先填清这 5 个字段

第一份 AI 评测集，可以先打开一个表格：
一行是一道测试题，写清输入、正确结果和判定方法，再让 AI 作答。这样改模型或提示词后，还能用同一批题比较表现。

老演员登场：给订单按金额升序排列。原始数据是 A / 30 元、B / 10 元、C / 20 元，执行后恢复原数据集。

下面的字段设计仅供参考：

1. 编号：例如 sort-001，用于标记具体的题目。
2. 任务输入：主要是写明给 AI 哪些材料，例如任务，原始订单数据等等。
3. 参考结果：比如 A、C、B。
4. 判定规则：比如返回 A、C、B，还是返回 A=30 元，C=20 元，B=10 元。
5. 场景标签：比如排序。

这样一个整行就是一个样本，将任务输入交给 AI，参考结果交由评测人员进行审核。

创作说明：AI 协助制图。方法依据来源如下。

1. Anthropic：Agent 评测的任务、判定与运行记录
（https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents）
2. OpenAI Evals：输入与参考答案的样本定义（https://github.com/openai/evals/blob/main/docs/build-eval.md）