🛡️ 评测、安全与治理
线上评测与反馈闭环
评测、安全与治理专题：用 1 个核心问题讲清原理、取舍与落地。
一句话定位
结果与轨迹评测、统计可靠性、Judge 校准、注入和红队。 质量看可验证结果，安全看最坏影响；两者都要覆盖正常、边界、失败和对抗分布。
核心原理与问题解析
如何做在线评测？
监控业务成功、用户纠错、人工接管、隐式行为、成本与安全，并对样本分层抽检。在线信号有偏，需要和离线黄金集及人工审核结合。
继续想： 点赞率有什么偏差？；如何安全做 A/B？
工程落地检查
- 先定义任务级成功和失败分类
- 规则、环境、人工与 Judge 组合评分
- 报告样本量、方差和置信区间
- 权限控制独立于模型判断
- 线上失败和攻击链持续回流回归集
常见误区
- 只用平均分掩盖高风险长尾
- 把 LLM Judge 当绝对真值
- 只在最终输入输出放 Guardrail
对应面试题
延伸资料
OpenAI Evaluation Best Practices · OWASP Agentic Security Initiative