AI 评测记录模板

# AI Evaluation — 日期 / 任务

## 范围
- 用户和要完成的动作：
- 输入材料、权限和去标识方式：
- 人工基线及总耗时：
- 不支持的任务：

## 测试设置（运行前固定）
- 当前版本 / 候选版本：
- 模型、提示、检索材料、工具版本：
- 运行日期、地区、记忆设置；无法固定的服务版本：
- 本轮只改变什么：
- 开发样本 / 未参与调优的保留样本：
- 每例运行次数及时间、调用、费用上限：
- 必须全部通过的条件：
- 可比较的质量与人工评分说明：
- 评分人 / 争议如何解决：
- 相关失败场景：来源缺失 / 提示注入 / 越权 / 失控重试或重复副作用 / 转写或识图错误：

## 逐例记录（每个版本分别复制本区）
- 本区版本：
- ID 使用“案例编号 / 尝试序号”，例如 07 / 2；输入指向固定的案例材料。
### 案例（每次尝试复制一份）
- 案例编号 / 尝试序号：
- 类型与固定输入材料位置：
- 预期行为 / 判断依据：
- 支持结论的原文位置 / 音视频时间段 / 图片区域：
- 实际行为 / 产物位置：
- 过程记录 / 工具调用 / 授权记录位置：
- 最终环境结果（文件、数据库或用户可见状态）：
- 首次是否合格 / 硬性条件失败：
- 人工修改分钟 / 修改内容：
- 最终状态（失败与超时也保留）：

## 汇总（每个版本单独计算，失败与超时保留在分母中）
- 首次合格数 / 全部尝试数：
- 必须条件失败及具体案例：
- 人工修改后合格数 / 全部尝试数：
- 准备、运行、核验、返工总分钟：
- 工具费用及工时估值口径：
- 本批总过程成本 / 最终合格数量：
- 证据限制与不支持的推断：

## 决定与后续
- 采用 / 维持现状 / 修复复测 / 停止：
- 支持这个决定的案例：
- 新增回归案例及重跑范围：
- 模型、资料、工具或记忆变化后的复测触发；上次合格版本：
- 允许使用范围 / 人工接管 / 撤回触发：
- 换供应商、关闭记忆或断开工具后的退出演练结果：
- 负责人、复查日期、记录位置：