my-vault/01_Projects/Personal-Tech/LLM_Evaluation/03-Practice/README.md

type, tags, status, created

type	tags	status	created
hub	llm-evaluation project-practice	active	2026-08-21

项目实践入口

这里用于放实际 Eval 项目，而不是继续积累理论笔记。学习材料告诉你“为什么”和“怎么做”（02-Why-Guide、01-LLM-Evaluation-Roadmap）；项目目录保存你亲自得到的证据。

建议的第一批项目

按以下顺序推进。先完成一个小型、可重跑的闭环，再增加框架和自动化：

1. rag-eval-lab/ — 公开技术文档约束问答
2. agent-tool-eval/ — 模拟工具调用、权限与状态
3. code-agent-eval/ — 编译、测试、静态分析与回归

每个项目创建独立子目录，例如：

03-Practice/
└── 2026-我的第一个公开文档问答评测/
    ├── 00-项目概览.md
    ├── 01-任务与Rubric.md
    ├── 02-Case设计.md
    ├── 03-运行与盲评.md
    ├── 04-失败复盘.md
    └── 05-变更与回归.md

每个项目至少保留：

task.md
datasets/
rubrics/
runs/
scripts/
reports/

为什么笔记和数据要分开

这个 Obsidian 专区保存思考与决策；代码仓库保存 JSONL、脚本和原始运行输出。两边互相链接即可：

放在 Obsidian 项目目录	放在代码仓库
为什么选这个题、成功条件、设计取舍	datasets/、runs/、scripts/、原始输出
rubric 的修改理由	可执行 schema 与校验脚本
失败模式、实验结论、下一个假设	机器生成报告、日志与图表
项目复盘、作品展示文字	README、依赖、CI 配置

原则： Obsidian 是你的“工程判断日志”，代码仓库是你的“可运行事实”。不要让任何一边替代另一边。

每个项目都要回答的五个问题

1. 用户想完成什么任务？
2. 什么情况算成功，什么情况算失败？
3. 你故意设计了哪些边界或负例？
4. 最常见的失败在哪里，为什么？
5. 修改后，你如何证明没有破坏原有能力？

项目模板

可直接复制以下内容到新项目的 00-项目概览.md：

---
type: project
status: active
project_type: rag-eval
---

# 项目名称

## 问题与范围

## 一句话成功条件

## 主要风险

## 当前版本

## 关键链接
- 工作表：
- 代码仓库：
- 数据集：
- 最近报告：

## 下一步最小动作

开始前

先完成 02-First-Week-Worksheet，再建立你的第一个项目目录。

---

返回 01_Projects/Personal-Tech/LLM_Evaluation/README。