夜雨聆风上一篇我们聊了 Prompt Chain——把复杂任务拆成流水线，让 AI 分步完成。
但有一个问题一直悬着没解决：AI 输出的东西，到底好不好？
你让 AI 写了篇文案，读着还行，但"还行"是多好？比你自己写的好还是差？换个 Prompt 会不会更好？
大多数人用 AI 的方式是：生成 → 凭感觉判断 → 差不多就用了。
这就像考试不看分数、做菜不尝味道、写代码不跑测试。没有评估，就没有进步。
今天我们来聊一个被严重低估的能力——Evaluation（评估），教你怎么系统地判断 AI 输出的质量，并且让 AI 自己越变越好。
为什么评估这么重要？
一句话：不会评估的人，优化全靠运气。
你改了 Prompt，效果变好了吗？不知道。你换了模型，哪个更适合你的场景？不确定。你加了几个示例，AI 学到了吗？只能猜。
会评估的人不一样——每次调整都有数据支撑，知道什么有效什么没用，进步速度快十倍。
三种实用评估方法
方法一：人工评分卡（最简单）
给 AI 的输出打分，但不是凭感觉打，而是按维度拆分。
比如评估一篇 AI 写的文案：
同一个任务，用不同 Prompt 各生成一版，按评分卡打分，哪个好一目了然。
关键诀窍： 维度不要超过 5 个，每个维度的打分标准要写出来（不是心里想，是白纸黑字写出来），否则你第一次和第十次的标准会不知不觉漂移。
方法二：A/B 对比法（最直观）
不打分，直接比——两个输出放一起，选更好的那个。
操作步骤：
同一个任务，写两版 Prompt（比如一版给角色，一版不给） 各生成 3-5 个输出 把两组结果打乱顺序，不看标签 逐对比较，选胜者 统计胜率
这个方法的好处是消除锚定效应——你不知道哪个是"新版"，判断更客观。
进阶技巧： 找个同事或朋友帮你做盲评，两人独立判断后对比结果。如果你俩的判断一致性超过 80%，说明评估标准够清晰。
方法三：让 AI 自己评估（最省力）
这是个"套娃"技巧——用 AI 来评价 AI 的输出。
给 AI 一个"评估 Prompt"：
你是一位资深的内容质量评估专家。请按以下标准评估这段文案：1. 事实准确性（有无错误信息）2. 逻辑连贯性（论证是否通顺）3. 目标受众匹配度（是否适合目标读者）4. 行动指引（读者看完是否知道下一步该做什么）对每个维度给出 1-5 分，并说明理由。最后给出总体评价和改进建议。待评估的文案如下：[粘贴 AI 生成的内容]重要提醒： AI 自评有"自我表扬"倾向——评价自己生成的内容往往偏高。解决办法：
用不同的模型来评估（比如用 Claude 评价 ChatGPT 的输出） 在 Prompt 里强调"请严格评估，重点找问题" 把 AI 的评分跟你的人工评分做对比，校准偏差
实战案例：优化一个写周报的 Prompt
假设你用 AI 写周报，觉得效果一般，想优化。
Step 1：建立评分卡
Step 2：用当前 Prompt 生成 3 版
都打分，取平均值作为"基线"。
Step 3：改进 Prompt，再生成 3 版
比如加上"每项工作必须包含具体数字"这个约束。
Step 4：对比两组分数
如果新版在"量化程度"上从 2.3 分提升到 4.7 分，其他维度没下降，说明这次优化成功。
Step 5：迭代
继续找最低分的维度，针对性优化 Prompt。
几轮下来，你会有一个针对"写周报"这个任务效果最佳的 Prompt，而且你知道它为什么好，不是碰运气。
常见误区
❌ "AI 生成的我看着还行就用了" → "还行"是最危险的判断。它意味着你既不知道有多好，也不知道能多好。
❌ "评估太费时间了" → 第一次建评分卡花 10 分钟，之后每次评估只要 2 分钟。但它能帮你省下反复试错的几个小时。
❌ "一个任务搞这么复杂没必要" → 一次性任务确实没必要。但你反复做的任务（周报、文案、邮件、数据分析），优化一次受益一百次。
小练习
今天就试试：
选一个你经常让 AI 做的任务 花 5 分钟建一个 3-4 维度的评分卡 用当前 Prompt 生成 3 版，打分 改进 Prompt，再生成 3 版，对比
你会发现，一旦开始量化评估，你优化 Prompt 的效率会翻倍。
下一篇预告
下一篇我们聊AI Skill#10：Fine-tuning 入门——当 Prompt 不够用，如何训练自己的专属模型。不需要写代码，不需要买 GPU，用最低成本让 AI 变成你的"专属员工"。
关注「AI引路者」，每天用大白话帮你搞懂 AI。看完就能用。
📦 回复「AI模板」获取 30 个实用 Prompt 模板，直接复制就能用！