构建 LLM 评估体系之前，有一个问题必须先回答清楚：你的系统输出，是确定性的还是概率性的？
这不是废话。大多数团队踩坑的根源，就在于把一个概率系统当确定性系统来评估。传统软件测试的核心假设是“相同输入，相同输出”。这个假设在 LLM 上完全不成立。同一条 prompt，温度参数 0.7，跑十次，你会得到十个不同的回答，质量分布可能从 0.6 到 0.95 都有。
所以，你评估的不是“这个输出对不对”，而是“这个系统在什么样的概率分布下工作”。
这个认知是整套体系的地基。没有这个认知，后面的一切都是在沙子上建房子。
