Python 智能体开发实战 09：搭建离线评测体系，用指标拦住提示词退化

作者在开发 AI 英语批改产品「启明英语」时，因提示词修改导致线上退化，遂搭建一套离线评测流水线：构建含正例、反例、边界、脏数据的 16 条评测集，定义 exact_match、set_f1、schema_pass_rate、拒答率、裁判分等指标，引入四档 rubric 的 LLM 裁判并防位置偏见，实现版本对比自动判定退化。