3分钟搞懂Evals(AI评测)

一句话定义

Evals（评测）= 为 AI 应用准备一批有代表性的测试题，写好判分规则，在每次改提示词、换模型、加工具之后自动跑一遍，用分数回答一个问题：这次改动到底是变好了，还是变差了？

做 AI 应用的人，很多都经历过这样的流程：改了提示词，手动试三个例子，感觉还行，然后就上线了。过了几天用户反馈说“最近怎么变笨了”，你也说不清是哪一次改动搞砸的。Evals 要解决的就是这个问题。

AI 的输出不固定，所以不能只靠手动试

写普通程序时，你改一行代码，跑一遍单元测试，全部通过了就可以放心提交，这已经是几十年来的工程常识。Evals 可以看成是 AI 应用的单元测试，但两者有一个根本区别：普通代码的输出是确定的，AI 的输出是概率性的。

同样的输入，AI 这次答对了，下次可能就答偏了；同一个问题也可能有好几种都算对的回答。所以不能用“输出和标准答案完全相等就通过”来判断，手动试几个例子也说明不了什么。你需要的是一批足够多的题目，加上一套能处理“多种说法都算对”的判分方式，而且要反复跑。

一套 Evals 里有哪些东西

Anthropic 在 2026 年 1 月发布的 Agent 评测指南里，把一套评测拆成了几个基本概念：

任务 (task)        -> 一道题: 给定输入 + 怎样才算成功试跑 (trial)       -> 对这道题的一次作答, 同一道题通常要跑好几次判分器 (grader)    -> 给作答打分的逻辑, 一道题可以有多个判分器作答记录 (transcript) -> 一次作答的完整过程: 输出, 工具调用, 中间结果最终结果 (outcome) -> 作答结束后环境的真实状态

最后一项最容易被忽略。比如让 Agent 订机票，它最后说“已经帮你订好了”，这只是它说的话；数据库里到底有没有这张订单，才是最终结果。判分应该看后者，不只能看Agent怎么回复你。

这些题按用途还可以分成两类：

• 能力评测：考的是“它还有哪些事做不好”，通过率一开始低一点是正常的，这样才有往上提升的空间。
• 回归评测：考的是“以前能做好的事，现在还能不能做好”，通过率应该接近 100%，一旦掉下来就说明某次改动引起了退步。

能力评测里的题，等通过率稳定在很高的水平之后，就可以“毕业”转进回归评测，以后每次改动都需要跑一遍。

考卷的题目要从翻车案例里攒

一套 Evals 里最花功夫的是题目。好的题目不是凭空编出来的，而是从真实的翻车案例里攒出来的：用户投诉的每一条、你自己发现的每个 Bug，都应该变成一道题留在考卷上，这样同样的错误就不会再犯一次。

很多团队会觉得要先攒够几百道题才能开始，其实没有必要。Anthropic 的建议是：从真实失败里挑 20 到 50 道简单的题，就是一个很好的起点。因为项目早期每次改动的影响都比较大，即使题目少一点也能看出差别。

出题时还有一个非常实用的经验：“该做”和“不该做”的情况都要考。比如给 AI 加了联网搜索，只考“该搜的时候有没有搜”是不够的，还要考“不该搜的时候是不是乱搜了”。如果只考一种情况，继续优化下去 的结果是AI 就会往另一个方向偏。

能用代码判的，就别让模型判

题目准备好之后，就要决定怎么判分。常见的有三种方式：

实际使用时通常是混着用的：能用代码判的绝不上模型，模型评委要定期拿人工结果来校准。很多看起来很主观的问题，比如“回答里有没有提到退款政策”，其实用关键词或正则就能判。

让模型当评委，这种做法叫 LLM-as-a-Judge。2023 年 UC Berkeley 等团队的研究发现，GPT-4 当评委时，和人类判断的一致率能超过 80%，和人与人之间的一致程度差不多。但同一篇研究也指出了模型评委的几个毛病：

• 位置偏差：两个回答放在一起比较时，容易偏向排在前面的那个。
• 长度偏差：容易给写得更长的回答打高分，哪怕内容并没有更好。
• 偏爱自己：容易给自己或同类模型生成的回答打高分。

所以用模型当评委时，比较稳妥的做法是：评分标准写具体，每个维度单独判，尽量用“通过 / 不通过”代替 1 到 10 分这种模糊的打分；比较两个回答时要交换回答的顺序再判一次；还可以给评委一个“无法判断”的选项，避免它在信息不够的时候硬给一个分数。

评 Agent，要看事情办成了没有

评一个问答比较简单，答案对不对基本一眼就能看出来。评一个 Agent 就复杂多了，因为它要多轮调用工具，中间每一步都可能走不同的路。

一个常见的误会是：既然 Agent 有过程，那就把过程也规定死，检查它是不是按预想的顺序调用了工具。Anthropic 在指南里专门提醒过，这种检查太脆弱了，因为 Agent 经常会找到设计者没想到、但同样有效的做法。他们举过一个例子：在 τ2-bench 的订机票任务里，Claude Opus 4.5 找到了航空公司政策里的一个漏洞，给用户提供了一个更好的方案，结果按评测原来的写法，这道题反而被判为失败了。

所以对 Agent 来说，正确与否主要看最终结果，过程则拿来算代价：

• 任务成功率：最终结果是否达标，比如订单有没有真的生成、测试有没有跑通
• 轮数和耗时：虽然做完了，但如果绕了三十圈，用户也等不了
• Token 成本：同样做完一个任务，花费可能差出好几倍
• 危险操作：有没有删文件、改线上配置这类不该碰的操作，这一项一旦出现，最好直接判为不通过

跑一次就能通过也不一定稳

AI 的输出不确定性，会发现同一道题跑三次可能出现三种结果。所以 Agent 评测里经常会看到两个指标：

• pass@k：同一道题跑 k 次，至少成功一次的概率。k 越大，这个数字越高。
• pass^k：同一道题跑 k 次，每一次都成功的概率。k 越大，这个数字越低。

两者差别有多大，算一下就知道了：如果一个 Agent 每次的成功率是 75%，跑 3 次全部成功的概率只有 0.75 × 0.75 × 0.75，大约是 42%。

选哪个指标，要看你的场景。 如果是写代码这种可以多试几次、挑一个能用的，看 pass@k 就行；如果是直接面对客户的客服 Agent，每个用户都只会遇到一次，那就必须看 pass^k。Sierra 在推出 τ-bench 时做过测试：GPT-4o 在零售客服任务上单次成功率大约是 61%，但同一类问题连续处理 8 次全部成功的概率只有 25% 左右。这意味着单次成功率看起来还不错的 Agent，放到线上反复处理同类问题时，很容易出现时好时坏的情况。

分数不对劲时，先检查考卷

分数低，不一定是 AI 不行，也可能是考卷本身出了问题。Anthropic 在指南里分享过一个例子：Claude Opus 4.5 在 CORE-Bench 上一开始只拿到 42% 的分数，后来他们发现判分规则太死板，比如标准答案是 “96.124991…”，模型回答 “96.12” 就被判错；再加上部分题目描述有歧义、有些题本身的结果就是随机的。把这些问题修好之后，同一个模型的分数提高到了 95%。

所以他们给出的建议是：

• 一定要读作答记录。只看分数，你分不清是 AI 真的犯了错，还是判分器把一个正确答案判成了错。
• 跑了很多次都是 0 分的题，先怀疑题目。大多数情况下是题目或环境配置坏了，而不是 AI 一点都做不了。
• 每次试跑都要从干净的环境开始。如果上一次试跑留下的文件、缓存还在，下一次可能会被影响，甚至直接“抄”到上一次的答案。
• 分数一直是 100% 的考卷要加难度。它还能用来防退步，但已经看不出改动有没有让 AI 变得更好了。

公开榜单的分数只能当参考

模型发布时，厂商都会公布一堆榜单分数。这些分数有参考价值，但不能直接等同于“用在你的业务里就一定好用”。

2026 年 2 月，OpenAI 宣布不再报告 SWE-bench Verified 这个编程榜单的分数，并建议其他厂商也停止使用。原因主要有两个：一是他们抽查了一部分模型经常做错的题，发现至少 59.4% 的题目测试用例本身有问题，会把功能正确的解法判成错；二是部分模型能直接把题目的标准答案“背”出来，说明这些题已经混进了训练数据，这种情况叫做数据污染。在污染越来越严重的情况下，榜单分数的上涨，越来越多地反映的是模型在训练时见没见过这些题，而不是真实的编程能力。

这对开发者来说意味着：真正能指导你选型的，是你自己业务的那套考卷。哪怕只有 50 道题，也比任何公开榜单更贴近你的用户。当有新模型出来了，先跑一遍自己的考卷，看看效果再决定要不要切换。

还有两个常见的误解也顺带说一下：

• Evals 不只是模型厂商的事。厂商评的是模型本身，你要评的是“模型 + 提示词 + 工具 + 流程”这一整套组合，后者才决定你的用户体验。
• Evals 不是等功能做完再补的。补得越晚越难补，因为你已经不记得当初哪些情况会出问题了。

从十几道题开始搭第一套 Evals

如果你现在还没有任何评测，可以按这个顺序开始：

1. 先把作答记录存下来：每一次调用的输入、输出、工具调用都要能回看，否则后面所有的分析都无从谈起。
2. 攒十几道真实翻车的题：从用户反馈和自己踩过的坑里挑，“该做”和“不该做”的情况都放一些。
3. 先写代码判分，再考虑模型评委：能用规则判的先用规则，剩下判不了的再交给模型，并且抽一部分让人工复核。
4. 把它接进日常流程：改提示词、换模型、上线前都跑一遍，分数掉了就先别发。

工具方面，OpenAI 平台自带 Evals 功能；开源的 promptfoo 可以用配置文件写测试用例、在命令行里批量跑，它在 2026 年 3 月被 OpenAI 收购，官方表示开源版本会继续维护；LangSmith、Braintrust 这类平台则把作答记录、评测集和打分放在一起管理。国内的阿里云百炼也提供了应用评测功能，可以基于知识库自动生成评测集，内置了大模型评估器和代码评估器，还能把同一个应用的不同版本放在一起横向对比。

用哪个工具其实没那么重要，关键是先让每一次改动都有一个可以对比的分数。

时效性提醒

评测的基本思路已经比较稳定了，变化比较快的是这些内容：

• 公开榜单的可信度：SWE-bench Verified 已经被 OpenAI 停用，新的榜单也在不断出现，又不断被发现问题
• 模型评委的用法：评委模型越来越强，校准方法和偏差也在跟着变化
• 评测工具和平台：功能、价格和归属都变化很快，比如 promptfoo 已经被 OpenAI 收购

建议：不要照搬公开榜单，优先建立贴合自己业务的评测集。

💬 互动话题：你会怎么给自己每天在用的那个 AI 工具出一套考卷？第一道题会是什么？

📖 相关阅读：