怎樣評估 LLM 應用：由示範走向量產

示範階段可用幾條「金鑰問題」；量產需要更大測試集，涵蓋邊界情況與失敗模式。

分開追蹤：事實正確性、格式正確、語氣合規、延遲與成本——每項有不同量測方式。

線上環境可記錄使用者修正、點讚／投訴與人工覆核比例，作為下一輪迭代依據。

對 AutoChat：金鑰問題包括「而家開唔開」「預約星期六三點」「冇寫嘅療程點答」。最後一條應該轉交店員，而唔係編造。

對 AdReel：除「有冇片出街」，仲要睇人審退回率、音樂／面孔風險、以及額度有冇喺預期內燒完。

官網控制台示範數據唔可以當評測。評測要用你自己嘅真實後台同固定題庫，否則會把樣本指標誤當成 SLA。