AI Eval Checklist，用来判断你的系统是不是真的变好了
搜 AI eval checklist 的用户通常不缺观点，缺的是一份能执行的核对清单。这个页面把 eval 的最小判断框架直接收成清单式入口。
搜索集群
Prompt Engineering Course
Prompt Engineering 课程，不该只教你写更长的 prompt
LLM Limitations
LLM limitations，不只是“模型会幻觉”，而是你要学会什么时候不能让它硬答
Structured Outputs Guide
Structured Outputs 指南，不是让模型“像 JSON”，而是让结果真的可验证
Retrieval and Grounding Guide
Retrieval 与 Grounding 指南，不是把文档全塞进去就算做了 RAG
AI Workflow Course
AI Workflow 课程，目标不是会聊，而是会搭可交付流程
Agent Workflow Design
Agent Workflow Design，不是让模型自己猜下一步
Context Architecture
Context Architecture，不是把更多字塞进 prompt
AI Eval Loop
AI Eval Loop，决定你是在优化系统还是在凭感觉试错
Context Engineering vs Prompt Engineering
Context Engineering vs Prompt Engineering，到底差在哪里
AI Workflow Automation Course
AI Workflow Automation 课程，重点不是自动化按钮，而是可维护系统
OpenClaw Tutorial
OpenClaw 教程，不只是装起来，而是跑通、排错、沉淀成 skills
Supabase Auth Tutorial
Supabase Auth 教程，不止是做个登录页
Creem Billing Tutorial
Creem Billing 教程，真正关键的是 webhook 和 entitlement
AI Eval Checklist
AI Eval Checklist，用来判断你的系统是不是真的变好了
LLM Observability Guide
LLM Observability 指南，不是多记日志，而是让失败真正可重放
Prompt Injection Defense
Prompt Injection 防护，不是再补一句“忽略恶意输入”
LLM Model Routing Guide
LLM 模型路由指南，别再让所有请求都走同一条回答链
LLM Latency and Cost Guide
LLM 延迟与成本指南，先消灭浪费，再谈模型价格
Human in the Loop AI
Human in the loop 不是兜底口号，而是升级路径、review queue 和 handoff packet 设计
RAG Freshness Governance
RAG 不是检索到就算 grounded，真正关键是 freshness governance
LLM Evaluation Rubric
LLM evaluation rubric，不是打分表花架子，而是修复顺序和上线判断
这条路径能建立什么
为什么这个主题重要
第一步：样本来源对不对
如果样本不是来自真实使用环境，指标再漂亮也不一定说明系统变好。
为什么这个主题重要
第二步：比较方式对不对
必须有版本对照和通过标准，否则你只是在看一些无法解释的数字。
为什么这个主题重要
第三步：评估有没有进入决策
好的 eval checklist 最后一定落到上线、回滚或优化优先级，而不是停在报告里。
接下来去哪
用户通常会问什么
这和普通 checklist 有什么不同？
它不是项目管理清单，而是专门针对 AI 系统评估有效性的判断清单。
一个人也需要 checklist 吗？
更需要。团队还能互相纠偏，单人最容易被“感觉变好了”误导。