本章难度：★★★★☆ | 预计阅读时间：10分钟你将学到：LLM评估的四大核心维度、三大评估框架对比、LLM-as-Judge的用法与局限、人工评估设计方法、红队测试流程、以及如何建立完整的评估体系引言：为什么评估是AI产品的核心竞争力你上线了一个RAG聊天机器人，工程师说"效果不错"，你问"有多不错"，他回答"挺准的"。这不是一个可持续的状态。2026年的AI产品竞争，已经从"能不能做"变成"做得多好"。研究数据显示：90%的RAG流水线在Demo时表现优异，但在生产环境中失败。失败的原因是可以预测的：检索到的答案看似相关但实际答非所问、正确文档被排在后面、多跳问题无法处理……这些问题，只有通过系统的评估才能发现和修复。但PM面临的困境是：AI输出是"软"的——不像传统产品有明确的转化率、留存率，AI的"质量"很难量化。本章的目标：让PM建立AI质量评估的思维框架，知道评估什么、用什么工具评估、如何把评估集成到产品流程中。1. 传统NLP评估指标的局限1.1 BLEU与ROUGE：曾经的主力在LLM之前，NLP评估主要靠BLEU和ROUGE：