“不理解输入，如何控制输出？”

——这是我做第一个 AI 评测项目时，最深刻的体会。

我最近用 AI 实现了一个功能：基于标准标签体系，对某垂类产品评价内容自动打标签。

这是我第一次接触 AI 评测、第一次做标签分类、甚至第一次系统分析用户评价。

但正因“零经验”，反而让我更聚焦于最本质的问题：如何让 AI 输出符合预期？

我计划用三篇文章，完整复盘这个“从零上手 AI 评测”的过程（全程使用 Langfuse Cloud）：

1. AI 评测入门（一）：评价打标签 —— Data Set ← 本文
2. AI 评测入门（二）：评价打标签 —— Prompt 设计
3. AI 评测入门（三）：评价打标签 —— Evaluation 与迭代

有趣的是，虽然我最初是从 Prompt 入手的，但在测试过程中，我意识到：数据集的质量和结构，比 Prompt 本身更重要。

你不了解你的**“输入”，就不可能稳定控制“输出”**。

所以，第一篇，我们先聊最基础、也最容易被忽视的部分 —— Data Set。

数据集的三大组成部分

在这个项目中，我将数据集拆分为三类：

1. 知识库（标签体系） —— 模型打标的“标准答案库”
2. 自测数据集（范例集） —— 用于探索 Prompt 设计边界
3. 评测数据集（Test Set） —— 用于量化模型表现，发现 Bad Case

一、知识库（标签体系）

为什么标签体系是“数据集”？

因为它是模型推理时的关键输入依据。它可能来自外部采购、历史积累、跨部门协作 —— 不一定由你生成，但必须由你负责。

它决定了模型“能输出什么”、“不能输出什么”，是 Prompt 的“知识锚点”。

我的标签体系共 128 个标签，结构为三级分类（一级 > 二级 > 三级）。规模不大，正好适合人工全量审查。

⚠️ 如果你的标签体系更大（比如上千标签），建议按模块抽样审查，至少明确：

• 有几个大维度？
• 各维度之间是否互斥？
• 是否存在模糊、冗余、交叉的标签？

为什么要“人工过一遍”？

1. 避免“脏标签”污染输出

测试中我们发现，模型输出中频繁出现 “其他”、“等等”、“未分类” 等模糊标签。需提前清洗，能极大提升输出质量。

2. 建立“标签直觉”，识别模型幻觉

熟悉标签体系后，你能在测试时快速判断：

• “这个标签是我们体系里的吗？”
• “这三个标签能同时出现吗？”
• “它们是否属于同一逻辑维度？”

📌 真实踩坑案例：

模型输出了三个“三级标签”，描述得头头是道，但细看发现——它们分别来自三个互不关联的一级分类。大模型的“流畅包装”极具迷惑性，只有你熟悉标签结构，才能一眼识破。

3. 知识库不一定用 RAG —— Prompt 内嵌也很香

很多人一提“知识库”就想到 RAG（检索增强生成），但对结构化、小规模的知识（如 128 个标签），直接写入 Prompt 效果更稳定、调试更简单。

我会在下一篇详细分享如何迭代 Prompt，这里先埋个钩子 👇

✍️ 下期预告：《AI 评测入门（二）：Prompt 迭代实战从“能跑通”到“能落地” 》

什么时候做这件事？

写 Prompt 之前！

这是地基。地基不稳，Prompt 写得再漂亮，输出也会跑偏。

二、自测数据集（范例集）

自测数据集不是随便找几个例子，而是有目的地构建 Prompt 的“需求说明书”。

构建方法

从真实用户评价中抽取样本，持续观察，直到“新东西不再出现”。

什么是“新东西”？

• 从“单标签” → 出现“多标签”需求
• 从“单一情绪” → 出现“同一标签 + 不同情绪”组合
• 从“简单句式” → 出现“长文本、复合语义、反讽表达”

这些“新东西”，就是你 Prompt 需要覆盖的边界条件。

关键洞察

不要在 Prompt 里要求“输出多标签”，除非真实数据里存在多标签场景。

否则，你就是在让模型“无中生有”，徒增幻觉风险。

当然，一个人视野有限。建议设定一个“收敛阈值”——比如连续 10 条评价未发现新特征，即可暂停收集，进入 Prompt 设计阶段。

三、评测数据集

评测数据集的核心目的：发现模型失败的场景，而非证明它有多强。

构建原则

1. 与自测集无交集 —— 避免“见过的数据”影响评估公正性
2. 多维度、有代表性 —— 覆盖不同情绪、长度、语义复杂度、标签组合
3. 动态扩展 —— 在测试和生产中持续补充新 Bad Case，不要追求“大而全”

重要提醒：保留“基准数据”

即使模型准确率达到 80%+，也不要移除那些“简单、稳定”的样本。

为什么？

因为它们是“基准数据”——用来确保模型不犯低级错误。当前大模型最大的问题不是“不会难的”，而是不定时地“会错简单的”。

基准数据 = 安全网 = 防止模型“突然变傻”

警惕“无效评测样本”

评测数据集可能是别人准备的。强烈建议在测试前，亲自过一遍每一条数据。

不同角色（产品、技术、运营）对“好结果”的定义不同，可能导致评测维度偏差。

📌 真实踩坑案例：

评测集中有一条样本，内容是“客服处理太慢”——这根本不是产品评价，而是服务反馈。用它测试“产品标签体系”，毫无意义。

四、Langfuse Dataset

整理好评测数据集后，下一步是将其结构化导入 Langfuse，便于后续自动化评测（Evaluation）。

导入方式

• 通过 CSV 文件上传
• 通过 Langfuse API 编程写入（推荐，更灵活）

这个项目先在 Excel 中整理数据，包含以下字段：

• input
• expectedOutput
• ID
• MultiDimension
• OveallSentiment
• RobotType
• BelongFile

✅ 关键建议：所有写入 Langfuse Dataset 的数据，务必使用 key-value 结构。
这样在跑 Evaluation 时，可通过 key 精准绑定参数，实现自动化评分。

上图是我 excel 表格的数据，下图是我写入 langfuse dataset 的数据，都是以 key -value 的形式。

如何用代码写入 Langfuse？

你可以使用任何 Python 环境（如 Jupyter、Google Colab、Cursor），让 AI 帮你生成代码。

这是我的提示词模板：

我有一个excel表格存储的是某个数据集的数据，表头有：Input 是string
ExpectedOutput 是一个 json
ID 是 string 表示评论 id，放在 metadata
MultiDimension 是 int，1是多维，0是单维，放在 metadata
OverallSentiment 是 string，表示评论的情绪，放在 metadata
RobotType 是 string， 产品型号，放在 metadata
BelongFile 是 string，所属哪个标注文件，放在 metadata
需要你实现langfuse的create dataset item的代码，来遍历excel数据，然后创建新的item

我会在下第三篇分享一个 data set run 的坑，把 data set run 跑起来浪费了我 1天的时间，这里先埋个钩子 👇

✍️ 《AI 评测入门（三）：Evaluation 跑起来》

总结：数据集是 AI 评测的“第一性原理”

- 知识库（标签体系）：是模型的“知识源”，必须干净、结构清晰、人工审查

- 自测集：是 Prompt 的“需求说明书”，从真实数据中萃取边界条件

- 评测集：是模型的“体检报告”，目标是发现失败，而非证明成功

不了解输入，就别谈控制输出。

🔖 关键词：#AI评测 #大模型应用 #Prompt工程 #标签体系 #Langfuse #AI产品经理 #AI落地实践