工具档案：OpenAI Evals——FDE 交付里的第一块评测底座

这张卡解决的是「评测方法论看了很多，落地第一步用什么」的问题。OpenAI Evals 的价值不在功能大而全，而在官方出品、结构简单、社区资料多，适合当第一版评测骨架。最常见的误用是把它当成完整的评测平台长期用：它缺少数据集管理、可视化看板与长期追踪，评测资产变多或需要多方协作时，要再配 Langfuse、Braintrust 这类平台，参见站内评测相关词条与评测基线方法文章。

相比站内已有的评测方法论内容，这张卡的增量是给出明确的启动路径：先有最小可用的回归评测，再谈平台选型。国内语境要叠加两点：一是 Evals 生态围绕 OpenAI API 设计，私有化内网与国产模型环境需要改造接入层；二是多数客户没有跑评测的习惯，FDE 要把「跑 eval」变成项目验收的共同语言。行动建议：下一个项目进场第一周，先挑 30 条真实 bad case 固化成用例，跑出第一个基线。