一次演示回答成功，不能说明大模型应用覆盖全部业务。评估样本要包含措辞变化、资料不足和容易混淆的对象，判断标准也需要在测试前明确，避免只展示顺利的问答。

样本选择

从真实工作问题整理测试集，覆盖常见提问、资料不足和容易混淆的情况。样本应有来源依据与预期处理方式，不能只挑最容易回答的问题。

评价维度

分别检查回答是否准确、引用是否相关、权限是否有效以及业务动作是否正确。不同场景需要不同标准，不宜把所有表现汇总成一个没有解释的分数。

版本对照

模型、提示和文档变化后，用同一组样本进行比较并记录差异。评估帮助决定改进方向，不意味着模型在所有新问题上都能达到相同表现。

场景核对

一组样本可同时包含容易回答、措辞相近和资料不足的问题，分别记录结果。这样能看到问题出在哪里，而不是通过只展示成功案例形成不完整的效果判断。

具体验证方法

同义问题检查是否找到同一适用依据；术语相近的问题核对对象是否混淆；资料不足时不补造结论；工具类样本验证权限与结果，每条错误记录注明输入、来源与具体偏差，而不只计一个通过比例。

样本和评判依据明确以后，结果才能用于决定改进位置。资料、检索和流程问题分别定位，后续调整再用同组问题核对，方便观察实际变化。