上下文工程 12：评测——怎么证明上下文装

我这套上下文工程写到第12篇，最后一关是验收：改了装配到底值不值，得拿数说话。

外部有两把尺子。METR 量任务难度，不是工时发票；LongMemEval 更扎心——模型能背下来不等于会用，持续对话准确率会掉约三成。历史里没的事，它真能一本正经编一个回来。

自家项目怎么测？四条纪律：同一批题、一次只动一块、同模型同温度、每组至少跑三轮。再看四个数——成功率、token 成本、幻觉引用、失败恢复。不看装了多少，看答出什么。

本机跑了6道题。裸问题加工具那组5/6对，规则钉进提示词那组6/6全对。差距不在多答一题，在错的那题最贵：模型翻到一份同名规则文件，十次调用、一万五千 token，交了个自信满满的错答案，还零自我纠错。

规则没进提示词时，它会自己找一本经书念。