面向非工程师的评估：判断你的AI工作流是在变好还是变差——配套视频

Lenny's Podcast

Hamel Husain和Shreya Shankar以一个真实的物业管理AI助手为例，完整讲解评估工作流：查看追踪记录，对错误进行开放式编码和轴心编码，判断何时停止，构建“LLM充当评审”，并依据人工判断验证它。这类真正面向产品经理和团队负责人（而非机器学习工程师）的长篇对谈非常少见，它还涵盖了文章建议的“设置完成后每周投入30分钟”节奏。

您应该从中获得什么: 掌握面向产品构建者的评估闭环：检查追踪记录、标注故障、定义标准、测试改动，并与人工判断进行比较。

先观看或了解: 至少有一个质量可能随时间改善或下降的AI工作流。

Anthropic

Anthropic用3分钟演示如何在Workbench中开展一次真实评估：自动生成贴近实际的测试用例、为输出评分、调整提示词，然后重新运行同一套测试并进行并排比较。观看次数低于通常的收录门槛，但要回答“我怎样才能不写代码就真正完成评估”，这是最清楚的官方演示，也恰好能承接更偏战略的Husain/Shankar对谈。

您应该从中获得什么: 了解可重复提示词评估最精简的无代码实现方式。

先观看或了解: 具备基本的提示词编辑经验，并能使用控制台或工作台等评估界面。