把“不能漏掉退款期限”写进评分标准，DeepEval 让回答进入回归测试

售后助手回答“可以退款”，却漏了“30天内”，读起来仍然顺畅，业务含义却少了一截。DeepEval 的G-Eval允许把这种要求写成评分标准，再接入Python测试，让提示词修改后能够重复检查。

它用模型充当裁判。标准写得清楚有助于比较，但评分不是事实核验的替代品，也不是每次必然相同的程序答案。

一个测试样本，保存要比较的两边

官方README以鞋子退款问题举例：LLMTestCase保存用户input、应用actual_output，以及理想expected_output；GEval根据标准比较，再由assert_test接入测试。

例子里的回答字符串是演示数据，不是编辑本次实际运行应用所得。接入真实项目时，actual_output应换成应用对这条问题产生的结果，参考答案则应来自有效业务规则。

围绕这个案例，可以拟定“与参考答案一致，并且不遗漏退款期限和费用条件”的要求。这里是教学标准，业务若变更，参考材料和检查也要同步更新，不能让旧测试把正确的新政策判成错误。

G-Eval文档提供两种入口：给criteria，让工具生成评价步骤；或者自己提供evaluation_steps。二者应二选一，不能同时传入。

官方正确性示例的步骤包括检查事实冲突、重罚遗漏细节，以及区分模糊表达与事实错误。若已经确认怎样评审，固定步骤可以跳过每次重新生成步骤的阶段，减少标准本身漂移；这仍不保证裁判完全确定。

evaluation_params则决定裁判看到哪些字段。只应加入标准确实提到的材料，例如实际输出和参考输出；把所有字段都塞进去，可能让无关上下文干扰判断。

每个指标可以读取score与reason，再用threshold判断是否通过。也可增加rubric，描述不同评分区间对应怎样的表现。文档中的rubric区间采用0到10且不得重叠，最终指标分数仍是0到1，不能混为同一种数值。

对于重要规则，值得保留一组已知正确、已知遗漏与已知矛盾的样本，检查裁判是否按预期区分。若它给“漏掉期限”的回答高分，应先修标准或评测设置，而不是直接把高分当成质量证明。

DeepEval代码采用Apache-2.0；接入模型裁判及Confident AI云平台时，分别有调用和服务条件。它在这项任务里交付的是可重复运行、能查看理由的业务回答检查，让“别漏掉这个事实”从口头叮嘱进入下一次改动也会执行的回归流程。