"指标不退化"要写进发布门禁
如果评测只在"有空的时候跑" ✗，那么质量退化就会随每次发布缓慢累积 ✔ ——
单次都"看起来没问题"，半年后整体明显变差 ✔（这是最典型的慢性退化 ✔）。
**做法**：把关键指标写进发布门禁 ✔ —— 不达标就不许合并/发布 ✔。
一、哪些指标该进"硬门禁"
| 指标 | 门禁形式 | 理由 |
|---|---|---|
| 格式合规率 | **不得低于**上版 ▼ | 格式错会直接打崩下游 ✔ |
| 该拒答却作答率 | **不得上升** ▲ | 编造是最危险的失败 ✔ |
| 崩溃/超时率 | 不得上升 ▲ | 可用性底线 ✔ |
| 单位成本 | ≤ 预算 × 1.2 ▲ | 防未察觉的翻倍 ✔ |
| P95 延迟 | ≤ 上版 × 1.2 ▲ | 体感底线 ✔ |
**注意方向** ✗：有的指标"越低越好"（编造率 ✔），有的"越高越好"（合规率 ✔）——
方向写错，门禁会变成反向激励 ✗。
二、哪些指标只做"提醒"
硬门禁会导致**频繁假红** ✗（假红多了，团队就会开始绕过门禁 ✔）；
**原则**：**硬门禁只放"后果明确且可稳定测量"的指标** ✔。
三、门禁的三个工程细节
1. **与"上版"比而不是与"历史最优"比** ✔（否则一旦有高峰值，之后永远过不了 ✔）；
2. **冒烟集要小**（几十条、1 分钟内 ✔）—— 否则没人愿意等 ✗（见评测接进 CI ✔）；
3. **假红要有人处理** ✔（每周复盘假红，调整阈值或样本 ✔ —— 否则门禁会失信 ✔）。
四、门禁之外的"人工门"
有些退化机器测不出 ✔（语气变生硬、答案变啰嗦 ✔）→ 保留**人工抽检**：
每次发布抽 10 条看 ✔，并在变更说明里附结论 ✔。
五、落地顺序
1. 先上"格式合规率 + 崩溃率"两条硬门禁 ✔（最容易量化 ✔，收益立竿见影 ✔）；
2. 再加"该拒答却作答率" ✔（安全类 ✔）；
3. 然后加成本与延迟 ✔；
4. 最后才考虑把主指标纳入（并允许小幅波动 ✔）。
一条判据
> 一次改动导致**格式合规率下降 5 个点** ✔，它能不能**被自动拦下** ✔？
> 不能，说明门禁还没覆盖到真正重要的地方 ✗。