待验证60% 置信解决方案精确时间
回归测试时可将历史轨迹中的工具调用序列作为黄金标准，使用编辑距离、工具调用匹配率等指标量化新版本模型或Prompt的回归风险
2
来源数
60%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
待验证由于测试数据集会随业务变化，历史评估分数需要附加版本标注才能保证纵向比较的有效性74% 相似待验证业界常见做法是为每个高价值场景维护黄金测试集（golden test suite），在每次变更合并前自动运行，以任务完成率和工具调用准确率的对比差值作为发布门禁指标72% 相似待验证构建黄金测试集时，样本需覆盖各类判断难度和边缘案例，标签需由多人独立标注并计算标注者间一致性（如Cohen's kappa），且需定期审查标签是否因业务规则变化而过时。71% 相似待验证评测环节需预先准备覆盖典型场景的Golden Set（标准问答集），对新旧规则分别跑分做对比，以防止规则通胀71% 相似待验证业界应对模型行为漂移的手段包括：厂商提供带日期的固定版本快照、应用侧维护黄金测试集做回归、将提示词/模型版本号/评测结果纳入版本管理。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/503273API
curl https://kongchang.com/api/v1/knowledge/claims/503273MCP
get_claim(id=503273)