用同一套测试集跑。改之前跑一遍，改之后再跑一遍，对比准确率有没有提升。别凭感觉改。
评估不是上线后随便问问，而是先建一套固定的测试集：从客服记录、销售提问、售后咨询里挑 20-50 条真实问题，覆盖常见、边缘、易混淆三类，每条配上标准答案（从资料里能溯源的）。之后每次改系统，都拿这同一套题跑一遍对比得分，分数没掉才算改进成功。测试集三个月更新一次，把新出现的高频问题加进去。
三步：准备测试集（100个真实问题）、跑一遍AI回答、人工打分。有数据才知道好不好。
80%以上合格。低于70%别上线，客户体验会崩。
真实客户问题。从历史对话里挑，别自己编。真实问题测出来的结果才准。
用同一套测试集跑。改之前跑一遍，改之后再跑一遍，对比准确率有没有提升。
不用。Excel就行：问题、标准答案、AI回答、打分。简单直接。