LLM应用输出不确定、无唯一答案且失败隐蔽，传统测试方法失效。文章提出三层评估体系：确定性检查（格式、长度、幻觉链接）、LLM评审（按评分标准打分）、人工评估（定期校准），并介绍黄金数据集、回归测试和统计显著性检验，建议从简单检查起步，逐步构建完整评估流水线。