大语言模型评估需多层体系：黄金数据集用于可重复测试，自动指标快速检查客观属性，LLM评委按标准评估相关性、完整性与事实依据，人工审核校准评委并处理高风险案例，生产监控发现遗漏问题。目标是确保应用在关键场景中持续准确、安全、可靠、快速且成本可控。