新增章节
Harness Engineering
面向 AI 系统的“测试基建”：把结果变稳定，把回归可自动化，把质量能量化。
核心组成
Eval Harness（评测基建）
- 定义输入集合（golden set）与标签
- 定义输出判定（rule-based + LLM judge）
- 离线回归：每次变更都跑一遍
质量门禁（Quality Gate）
- 失败阈值（例如 pass-rate ≥ 95%）
- 关键用例必须全绿（critical path）
- 漂移监控与告警（prompt/model/数据）
可观测性（Observability）
- 记录 traceId + prompt/version + latency
- 采样保存输入/输出用于复盘（脱敏）
- 线上回归：shadow traffic / canary
最小落地（MVP）
- 选 20 条关键用例（覆盖核心链路 + 失败高发点）。
- 写 1 个可重复执行的 runner（本地/CI 都能跑）。
- 定义 2 个指标：通过率、P95 延迟；设置门禁阈值。
- 每次改 prompt/模型/检索，都必须跑回归并记录结果。