评估 Jev 工作流

收集实际流程中的代表性状态，包括模糊和少见案例。让复核人员独立标注目标分支，并将测试数据与用于修改说明的示例分开。

按类别检查准确率、按概率区间检查校准情况，同时观察回退比例和后续结果。阈值应考虑不同错误的代价。问题措辞、模型版本或输入分布变化后，都应重新评估。