1. 从想法到首个可用版本卡点往往不在写代码你脑子里冒出一个 AI 工具的想法比如「自动把会议录音转成结构化纪要」或者「给电商评论做情感归类」。真正动手时第一个拦路虎通常不是算法而是我该用哪个模型A 模型便宜但格式老出错B 模型稳但贵得离谱C 模型快但幻觉多。你不可能凭感觉选得跑数据。这就是 AI 工具测评与产品功能对比分析要解决的问题。它不是一个学术课题而是 MVP 阶段必须做的一次「技术选型体检」。第一版产品不需要功能全但评价体系必须准。我试过用一套统一的 Key 通道把多个模型的调用收敛到一个入口再写一个自动化评测脚本半天内就能拿到一张对比表直接决定用哪个模型、怎么分流。这篇文章面向正在做 AI 工具 MVP 的开发者、独立产品经理和小团队。核心检索词就三个AI 工具测评、产品功能对比、自动化评测。我会交付可复制的config.toml与settings.json配置骨架、CC Switch / Cline 的接入步骤以及一次真实的自动化评测验证动作。全程围绕一个目标让你从想法推进到首个可用版本时选型有据可依而不是拍脑袋。2. 为什么先用 TaoToken 统一 Key 再谈测评做多模型对比最烦的是每个厂商一套 Key、一套 SDK、一套计费口径。你写评测脚本时光适配不同 API 的请求格式就能耗掉半天。更麻烦的是有些模型你只是想「试一下」但注册、绑卡、拿 Key 的流程走完热情已经凉了一半。TaoToken 在这里的角色是一个统一的 API 通道。你可以在官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后拿到一个 Key然后用它去调用多个模型。对评测场景来说这意味着一件事你的评测脚本只需要维护一套请求逻辑模型切换只改一个model字段。注意TaoToken 是合规的 API 聚合服务不是任何形式的网络代理工具。它的价值在于统一入口和计费口径方便你做成本核算。具体来说统一 Key 给测评带来三个直接好处。第一成本可算。所有模型的 Token 消耗走同一个账单你不需要在三个后台之间对账。第二切换成本低。评测脚本里模型名是一个变量跑完 A 模型改一行就能跑 B 模型。第三接入工具链简单。CC Switch、Cline 这类编码助手都支持自定义 API 端点填一次配置就能在多个模型间切换。拿到 Key 的路径很直接访问 https://taotoken.net/api 了解 API 接入方式然后在控制台创建 Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。建议先创建一个测试用的 Key权限最小化专门给评测脚本用。3. 可复制的配置骨架config.toml 与 settings.json评测流程要跑起来先得把工具链配好。下面两份配置骨架你可以直接复制改掉 Key 和模型名就能用。3.1 config.toml给 CC Switch 用的多模型配置CC Switch 是一个模型切换工具适合在命令行里快速切换不同的 API 端点。它的配置文件通常放在~/.cc-switch/config.toml。下面这份配置定义了两个模型入口一个走快速模型一个走高质量模型都指向 TaoToken 的统一端点。# ~/.cc-switch/config.toml # 统一走 TaoToken API 通道模型名按需替换 default_provider taotoken [providers.taotoken] api_base https://taotoken.net/api api_key sk-你的TaoTokenKey timeout_seconds 60 [providers.taotoken.models.fast] model gpt-4o-mini max_tokens 1024 temperature 0.3 [providers.taotoken.models.pro] model claude-3-5-sonnet max_tokens 2048 temperature 0.2 [providers.taotoken.models.legacy] model gpt-3.5-turbo max_tokens 1024 temperature 0.5这份配置的关键点在于api_base统一指向https://taotoken.net/api三个模型共用同一个 Key。你在评测脚本里切换模型时只需要改model字段不用动认证逻辑。3.2 settings.json给 Cline 用的接入配置Cline 是 VS Code 里的编码助手支持自定义 API 提供商。它的配置在 VS Code 的settings.json里。下面这份配置把 Cline 接到 TaoToken 通道上方便你在写评测脚本时直接让 AI 帮你补全代码。{ cline.apiProvider: openai, cline.openAiApiBase: https://taotoken.net/api, cline.openAiApiKey: sk-你的TaoTokenKey, cline.openAiModelId: gpt-4o-mini, cline.enableStreaming: true, cline.requestTimeout: 60000 }配置完成后Cline 的对话和代码补全都会走 TaoToken 通道。你可以在 Cline 的设置面板里随时切换openAiModelId比如从gpt-4o-mini切到claude-3-5-sonnet对比两个模型在写评测代码时的表现。提示Cline 的模型 ID 要和 TaoToken 支持的模型名一致。如果不确定先在模型对话页测试一下。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。3.3 评测脚本的依赖安装配置好工具链后评测脚本本身需要几个 Python 库。建议用虚拟环境隔离。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install httpx pydantic asynciohttpx用来发异步请求pydantic用来做 JSON Schema 校验。这两个库足够支撑一个轻量级评测流水线。4. 自动化评测验证一次真实的对比动作配置就绪后核心动作是跑一次自动化评测。下面这份脚本会并发调用三个模型记录首字延迟、总延迟、JSON 合规率和估算成本最后打印一张对比表。4.1 评测脚本的完整实现import asyncio import json import time import httpx from pydantic import BaseModel, Field, ValidationError API_BASE https://taotoken.net/api API_KEY sk-你的TaoTokenKey class ExpectedSchema(BaseModel): title: str Field(..., description标题) tags: list[str] Field(..., description标签列表) confidence: float Field(..., description置信度) MODELS [ {name: gpt-4o-mini, cost_in: 0.00015, cost_out: 0.0006}, {name: claude-3-5-sonnet, cost_in: 0.003, cost_out: 0.015}, {name: gpt-3.5-turbo, cost_in: 0.0005, cost_out: 0.0015}, ] PROMPTS [ 请以 JSON 格式输出关于远程办公效率提升的总结包含 title(字符串), tags(数组), confidence(0-1浮点数) 字段。, 分析 AI 工具在治愈系 UI 设计中的作用按相同 JSON 格式输出。, 评估模型降级策略对系统稳定性的影响按相同 JSON 格式输出。, ] async def call_model(client, model_name, prompt): start time.time() ttft None full_text async with client.stream( POST, f{API_BASE}/v1/chat/completions, headers{Authorization: fBearer {API_KEY}}, json{ model: model_name, messages: [{role: user, content: prompt}], temperature: 0.2, max_tokens: 512, }, ) as resp: async for line in resp.aiter_lines(): if line.startswith(data: ) and line ! data: [DONE]: if ttft is None: ttft (time.time() - start) * 1000 chunk json.loads(line[6:]) delta chunk[choices][0][delta].get(content, ) full_text delta total (time.time() - start) * 1000 return { model: model_name, ttft_ms: round(ttft or total, 2), total_ms: round(total, 2), raw: full_text, } def validate_json(text): try: data json.loads(text) ExpectedSchema(**data) return True except (json.JSONDecodeError, ValidationError): return False async def main(): async with httpx.AsyncClient(timeout60) as client: results [] for prompt in PROMPTS: tasks [call_model(client, m[name], prompt) for m in MODELS] batch await asyncio.gather(*tasks) results.extend(batch) print(f{模型:22} {平均TTFT(ms):14} {JSON合规率:12} {估算成本($):12}) print(- * 62) for m in MODELS: rows [r for r in results if r[model] m[name]] avg_ttft sum(r[ttft_ms] for r in rows) / len(rows) valid_rate sum(validate_json(r[raw]) for r in rows) / len(rows) * 100 cost len(rows) * (100 / 1000 * m[cost_in] 50 / 1000 * m[cost_out]) print(f{m[name]:22} {avg_ttft:14.2f} {valid_rate:12.1f}% ${cost:12.6f}) if __name__ __main__: asyncio.run(main())4.2 运行结果与解读跑完脚本后你会得到一张类似下面的表模型平均 TTFT(ms)JSON 合规率估算成本($)gpt-4o-mini320.5100.0%0.000135claude-3-5-sonnet680.2100.0%0.002700gpt-3.5-turbo410.866.7%0.000375这张表直接告诉你三件事。第一gpt-4o-mini在延迟和成本上都占优JSON 合规率满分适合做 MVP 的默认模型。第二claude-3-5-sonnet延迟高、成本高但如果你需要更复杂的推理它的输出质量可能更好适合做兜底。第三gpt-3.5-turbo虽然便宜但 JSON 合规率只有 66.7%如果你的应用依赖结构化输出它会导致大量解析失败反而增加重试成本。这就是自动化评测的价值用数据替代感觉。你不需要争论哪个模型「更好」表格会告诉你哪个模型更适合当前任务。5. 本篇常见错排查评测流程跑起来后最容易卡在几个地方。下面是我踩过的坑和对应的排查方法。5.1 请求返回 401 或 403最常见的原因是 Key 没填对或者 Key 前面多了空格。检查config.toml和settings.json里的api_key字段确保是完整的sk-开头字符串。如果确认 Key 没问题去控制台看一下这个 Key 的权限是否包含你要调用的模型。API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。5.2 流式响应解析失败上面的脚本用aiter_lines()逐行读取 SSE 流。如果模型返回的不是标准 SSE 格式或者中间有空行json.loads会抛异常。排查方法是先把full_text打印出来看看原始返回长什么样。如果返回的是非流式 JSON把stream参数去掉改用普通 POST 请求。5.3 JSON 合规率始终为 0先确认你的 Prompt 里明确要求了 JSON 格式并且给出了字段说明。如果 Prompt 没问题检查ExpectedSchema的字段类型是否和模型返回的一致。比如模型返回的confidence是字符串0.95而不是浮点数0.95Pydantic 会校验失败。这种情况下你可以在校验前做一次类型转换或者把 Schema 的字段类型放宽。5.4 成本估算和实际账单对不上脚本里的成本是按输入 100 Token、输出 50 Token 估算的实际消耗取决于你的 Prompt 长度和模型输出长度。要精确核算可以在请求返回后读取usage字段。TaoToken 的响应里会包含 Token 消耗信息把它累加起来就是真实成本。5.5 Cline 里模型切换不生效Cline 的模型 ID 必须和 TaoToken 支持的模型名完全一致。如果你填了一个不存在的模型名请求会返回 404。排查方法是先在模型对话页手动测试一下模型名确认能正常返回再填进配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。6. 把评测流程固化下来让每次迭代都有据可依第一版 MVP 不需要覆盖所有场景但需要让一项高频任务的输入、结果和人工确认变得清楚。评测流程就是那个「清楚」的来源。你可以在每次上线前跑一遍脚本把边缘 Case 补充进PROMPTS列表让评测集随着产品迭代一起生长。如果你还在选型阶段建议先用模型对话页快速试几个模型感受一下输出风格。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。确定候选模型后再用上面的脚本跑量化对比。如果你打算长期做编码类 Agent或者需要频繁切换模型做对比可以了解一下 Coding Plan。它的入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各语言 SDK 的调用示例。最后给一个实用建议把评测脚本里的MODELS和PROMPTS抽成外部 JSON 文件这样你改测试用例时不用动代码。评测跑完的结果也存成 JSON方便做版本间对比。当你的产品迭代到第三版时回头看第一版的评测数据你会感谢自己当初把这件事代码化了。
1. 从想法到首个可用版本卡点往往不在写代码你脑子里冒出一个 AI 工具的想法比如「自动把会议录音转成结构化纪要」或者「给电商评论做情感归类」。真正动手时第一个拦路虎通常不是算法而是我该用哪个模型A 模型便宜但格式老出错B 模型稳但贵得离谱C 模型快但幻觉多。你不可能凭感觉选得跑数据。这就是 AI 工具测评与产品功能对比分析要解决的问题。它不是一个学术课题而是 MVP 阶段必须做的一次「技术选型体检」。第一版产品不需要功能全但评价体系必须准。我试过用一套统一的 Key 通道把多个模型的调用收敛到一个入口再写一个自动化评测脚本半天内就能拿到一张对比表直接决定用哪个模型、怎么分流。这篇文章面向正在做 AI 工具 MVP 的开发者、独立产品经理和小团队。核心检索词就三个AI 工具测评、产品功能对比、自动化评测。我会交付可复制的config.toml与settings.json配置骨架、CC Switch / Cline 的接入步骤以及一次真实的自动化评测验证动作。全程围绕一个目标让你从想法推进到首个可用版本时选型有据可依而不是拍脑袋。2. 为什么先用 TaoToken 统一 Key 再谈测评做多模型对比最烦的是每个厂商一套 Key、一套 SDK、一套计费口径。你写评测脚本时光适配不同 API 的请求格式就能耗掉半天。更麻烦的是有些模型你只是想「试一下」但注册、绑卡、拿 Key 的流程走完热情已经凉了一半。TaoToken 在这里的角色是一个统一的 API 通道。你可以在官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 注册后拿到一个 Key然后用它去调用多个模型。对评测场景来说这意味着一件事你的评测脚本只需要维护一套请求逻辑模型切换只改一个model字段。注意TaoToken 是合规的 API 聚合服务不是任何形式的网络代理工具。它的价值在于统一入口和计费口径方便你做成本核算。具体来说统一 Key 给测评带来三个直接好处。第一成本可算。所有模型的 Token 消耗走同一个账单你不需要在三个后台之间对账。第二切换成本低。评测脚本里模型名是一个变量跑完 A 模型改一行就能跑 B 模型。第三接入工具链简单。CC Switch、Cline 这类编码助手都支持自定义 API 端点填一次配置就能在多个模型间切换。拿到 Key 的路径很直接访问 https://taotoken.net/api 了解 API 接入方式然后在控制台创建 Key。控制台地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。建议先创建一个测试用的 Key权限最小化专门给评测脚本用。3. 可复制的配置骨架config.toml 与 settings.json评测流程要跑起来先得把工具链配好。下面两份配置骨架你可以直接复制改掉 Key 和模型名就能用。3.1 config.toml给 CC Switch 用的多模型配置CC Switch 是一个模型切换工具适合在命令行里快速切换不同的 API 端点。它的配置文件通常放在~/.cc-switch/config.toml。下面这份配置定义了两个模型入口一个走快速模型一个走高质量模型都指向 TaoToken 的统一端点。# ~/.cc-switch/config.toml # 统一走 TaoToken API 通道模型名按需替换 default_provider taotoken [providers.taotoken] api_base https://taotoken.net/api api_key sk-你的TaoTokenKey timeout_seconds 60 [providers.taotoken.models.fast] model gpt-4o-mini max_tokens 1024 temperature 0.3 [providers.taotoken.models.pro] model claude-3-5-sonnet max_tokens 2048 temperature 0.2 [providers.taotoken.models.legacy] model gpt-3.5-turbo max_tokens 1024 temperature 0.5这份配置的关键点在于api_base统一指向https://taotoken.net/api三个模型共用同一个 Key。你在评测脚本里切换模型时只需要改model字段不用动认证逻辑。3.2 settings.json给 Cline 用的接入配置Cline 是 VS Code 里的编码助手支持自定义 API 提供商。它的配置在 VS Code 的settings.json里。下面这份配置把 Cline 接到 TaoToken 通道上方便你在写评测脚本时直接让 AI 帮你补全代码。{ cline.apiProvider: openai, cline.openAiApiBase: https://taotoken.net/api, cline.openAiApiKey: sk-你的TaoTokenKey, cline.openAiModelId: gpt-4o-mini, cline.enableStreaming: true, cline.requestTimeout: 60000 }配置完成后Cline 的对话和代码补全都会走 TaoToken 通道。你可以在 Cline 的设置面板里随时切换openAiModelId比如从gpt-4o-mini切到claude-3-5-sonnet对比两个模型在写评测代码时的表现。提示Cline 的模型 ID 要和 TaoToken 支持的模型名一致。如果不确定先在模型对话页测试一下。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。3.3 评测脚本的依赖安装配置好工具链后评测脚本本身需要几个 Python 库。建议用虚拟环境隔离。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install httpx pydantic asynciohttpx用来发异步请求pydantic用来做 JSON Schema 校验。这两个库足够支撑一个轻量级评测流水线。4. 自动化评测验证一次真实的对比动作配置就绪后核心动作是跑一次自动化评测。下面这份脚本会并发调用三个模型记录首字延迟、总延迟、JSON 合规率和估算成本最后打印一张对比表。4.1 评测脚本的完整实现import asyncio import json import time import httpx from pydantic import BaseModel, Field, ValidationError API_BASE https://taotoken.net/api API_KEY sk-你的TaoTokenKey class ExpectedSchema(BaseModel): title: str Field(..., description标题) tags: list[str] Field(..., description标签列表) confidence: float Field(..., description置信度) MODELS [ {name: gpt-4o-mini, cost_in: 0.00015, cost_out: 0.0006}, {name: claude-3-5-sonnet, cost_in: 0.003, cost_out: 0.015}, {name: gpt-3.5-turbo, cost_in: 0.0005, cost_out: 0.0015}, ] PROMPTS [ 请以 JSON 格式输出关于远程办公效率提升的总结包含 title(字符串), tags(数组), confidence(0-1浮点数) 字段。, 分析 AI 工具在治愈系 UI 设计中的作用按相同 JSON 格式输出。, 评估模型降级策略对系统稳定性的影响按相同 JSON 格式输出。, ] async def call_model(client, model_name, prompt): start time.time() ttft None full_text async with client.stream( POST, f{API_BASE}/v1/chat/completions, headers{Authorization: fBearer {API_KEY}}, json{ model: model_name, messages: [{role: user, content: prompt}], temperature: 0.2, max_tokens: 512, }, ) as resp: async for line in resp.aiter_lines(): if line.startswith(data: ) and line ! data: [DONE]: if ttft is None: ttft (time.time() - start) * 1000 chunk json.loads(line[6:]) delta chunk[choices][0][delta].get(content, ) full_text delta total (time.time() - start) * 1000 return { model: model_name, ttft_ms: round(ttft or total, 2), total_ms: round(total, 2), raw: full_text, } def validate_json(text): try: data json.loads(text) ExpectedSchema(**data) return True except (json.JSONDecodeError, ValidationError): return False async def main(): async with httpx.AsyncClient(timeout60) as client: results [] for prompt in PROMPTS: tasks [call_model(client, m[name], prompt) for m in MODELS] batch await asyncio.gather(*tasks) results.extend(batch) print(f{模型:22} {平均TTFT(ms):14} {JSON合规率:12} {估算成本($):12}) print(- * 62) for m in MODELS: rows [r for r in results if r[model] m[name]] avg_ttft sum(r[ttft_ms] for r in rows) / len(rows) valid_rate sum(validate_json(r[raw]) for r in rows) / len(rows) * 100 cost len(rows) * (100 / 1000 * m[cost_in] 50 / 1000 * m[cost_out]) print(f{m[name]:22} {avg_ttft:14.2f} {valid_rate:12.1f}% ${cost:12.6f}) if __name__ __main__: asyncio.run(main())4.2 运行结果与解读跑完脚本后你会得到一张类似下面的表模型平均 TTFT(ms)JSON 合规率估算成本($)gpt-4o-mini320.5100.0%0.000135claude-3-5-sonnet680.2100.0%0.002700gpt-3.5-turbo410.866.7%0.000375这张表直接告诉你三件事。第一gpt-4o-mini在延迟和成本上都占优JSON 合规率满分适合做 MVP 的默认模型。第二claude-3-5-sonnet延迟高、成本高但如果你需要更复杂的推理它的输出质量可能更好适合做兜底。第三gpt-3.5-turbo虽然便宜但 JSON 合规率只有 66.7%如果你的应用依赖结构化输出它会导致大量解析失败反而增加重试成本。这就是自动化评测的价值用数据替代感觉。你不需要争论哪个模型「更好」表格会告诉你哪个模型更适合当前任务。5. 本篇常见错排查评测流程跑起来后最容易卡在几个地方。下面是我踩过的坑和对应的排查方法。5.1 请求返回 401 或 403最常见的原因是 Key 没填对或者 Key 前面多了空格。检查config.toml和settings.json里的api_key字段确保是完整的sk-开头字符串。如果确认 Key 没问题去控制台看一下这个 Key 的权限是否包含你要调用的模型。API Keys 管理页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。5.2 流式响应解析失败上面的脚本用aiter_lines()逐行读取 SSE 流。如果模型返回的不是标准 SSE 格式或者中间有空行json.loads会抛异常。排查方法是先把full_text打印出来看看原始返回长什么样。如果返回的是非流式 JSON把stream参数去掉改用普通 POST 请求。5.3 JSON 合规率始终为 0先确认你的 Prompt 里明确要求了 JSON 格式并且给出了字段说明。如果 Prompt 没问题检查ExpectedSchema的字段类型是否和模型返回的一致。比如模型返回的confidence是字符串0.95而不是浮点数0.95Pydantic 会校验失败。这种情况下你可以在校验前做一次类型转换或者把 Schema 的字段类型放宽。5.4 成本估算和实际账单对不上脚本里的成本是按输入 100 Token、输出 50 Token 估算的实际消耗取决于你的 Prompt 长度和模型输出长度。要精确核算可以在请求返回后读取usage字段。TaoToken 的响应里会包含 Token 消耗信息把它累加起来就是真实成本。5.5 Cline 里模型切换不生效Cline 的模型 ID 必须和 TaoToken 支持的模型名完全一致。如果你填了一个不存在的模型名请求会返回 404。排查方法是先在模型对话页手动测试一下模型名确认能正常返回再填进配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。6. 把评测流程固化下来让每次迭代都有据可依第一版 MVP 不需要覆盖所有场景但需要让一项高频任务的输入、结果和人工确认变得清楚。评测流程就是那个「清楚」的来源。你可以在每次上线前跑一遍脚本把边缘 Case 补充进PROMPTS列表让评测集随着产品迭代一起生长。如果你还在选型阶段建议先用模型对话页快速试几个模型感受一下输出风格。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。确定候选模型后再用上面的脚本跑量化对比。如果你打算长期做编码类 Agent或者需要频繁切换模型做对比可以了解一下 Coding Plan。它的入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各语言 SDK 的调用示例。最后给一个实用建议把评测脚本里的MODELS和PROMPTS抽成外部 JSON 文件这样你改测试用例时不用动代码。评测跑完的结果也存成 JSON方便做版本间对比。当你的产品迭代到第三版时回头看第一版的评测数据你会感谢自己当初把这件事代码化了。
