漂亮示范不能代替日常工作的评估集。测试要包括普通问题、模糊请求、无答案与不可提供的数据。

每题标记相关证据、可接受行为，以及助手不应提出的主张。

把找不到证据，和找到证据却写错答案，分开诊断，才能知道该改善哪个环节。

保留一部分未用于调整的题目，并记录测试时使用的文件、模型与设定版本。

将真实失败转成受控案例；发布应依据已标记的证据与合理拒答，而不是事后挑出的漂亮答案。

原创文章解说视频。采用 AI 辅助概念插画、合成旁白及原创合成音乐，并非真人录音或客户实绩。