把评测结果做成能看懂的报表：三张图与三条纪律

评测扎实但决策者看不懂，等于没做。本文给出给决策者的三张图（质量趋势、改动对照、成本-质量散点）、三条呈现纪律与一份报告的最小结构。

评测报告写给谁看

评测做得很扎实，但**决策者看不懂** ✗，结果就是"报告发了没人看、决策靠感觉" ✗。

问题不在数据，而在**呈现**：一张几十行的指标表 ✗ ≠ 能支持决策的信息 ✔。

给决策者的报告，三张图就够 ✔。

横轴时间、纵轴**主指标**（例如任务完成率）✔；

同时画**失败类型占比堆叠**（编造 / 格式 / 漏答 / 拒答 ✔）；

目的：看出"总量在升还是在降"与"结构有没有恶化" ✔。

**要点**：只看总量会漏掉"总量不变但编造变多" ✗（见反馈闭环那篇 ✔）。

每次改动画一条：**净胜数**与**置信区间** ✔；

区间跨 0 → 标"未观察到显著差异" ✔（见小样本那篇 ✔）；

目的：让决策者一眼看出"这次改动到底有没有用" ✔。

**要点**：不要用"明显更好" ✗；用净胜数与区间 ✔。

横轴单位成本、纵轴质量指标 ✔；

每个点=一个功能（或一个模型版本 ✔）；

画出**预算线**与**质量下限** ✔；

目的：直接暴露"贵但不好"与"便宜且够用"的两类对象 ✔。

这张图最能推动决策 ✔：优化方向通常一眼就出来了 ✔。

1. **每张图有结论句** ✔（"本周编造占比从 4% 升到 7%，主要来自长文档场景" ✔）；

2. **不确定的如实标注** ✔（样本量不足、区间跨 0 ✔）；

3. **不放原始明细** ✗（明细放附录/链接 ✔）。

```

1. 本周结论（3 行以内）

2. 三张图（趋势 / 对照 / 成本-质量）

3. 需要决策的事项（1~3 条，每条给建议与代价）

4. 附录：样本量、口径、未解决风险

```

> 决策者只看第一页，能否做出"继续 / 回滚 / 调预算"的决定 ✔？

> 不能，说明报告是给评测者自己看的 ✗，不是给决策者的 ✔。