大模型应用加速落地之后，很多团队都开始面对一个新的质量问题：
AI能力不是“接上模型就结束了”，而是要持续回答一个更关键的问题——它是否稳定、可信、可评估、可持续优化？
在传统软件质量体系里，很多问题可以通过明确的输入、输出、断言和流程来验证。但到了AI应用场景中，情况变得更加复杂。
同一个问题，不同模型可能给出不同答案； 同一个业务场景，不同Prompt、知识库、参数配置也可能带来不同结果； 一次评测通过，不代表下一次版本迭代仍然稳定。
因此，AI评测正在从“辅助验证工具”，逐步变成AI应用工程化落地中的关键质量能力。
在本届 TID质量竞争大会 上，腾讯PCG工程效能专家张超将带来议题：
《AI评测质量工程进化》
这场分享将围绕AI评测在真实业务场景中的质量挑战、体系建设和工程演进展开，值得正在关注AI测试、AI评测、质量工程和研发效能的团队重点关注。
讲师介绍
张超，腾讯PCG工程效能专家，拥有15年软件研发和效能领域从业经验。
目前负责应用效能技术部质效中心AI测评平台建设，以及视频商业化后台质效保障工作。作为12级工程效能专家，张超长期深耕软件架构、系统重构、工程效能和质量保障方向，具备丰富的系统解决方案设计与落地经验。
从软件工程到效能工程，再到AI评测质量工程，张超的实践背景本身也代表了一个重要趋势：
质量保障正在从传统测试环节，逐步走向更前置、更系统、更智能化的工程体系。
为什么AI评测会成为质量工程的新命题？
过去我们谈测试，更多关注功能是否正确、流程是否可用、性能是否达标、缺陷是否收敛。
但AI应用带来的质量问题，并不完全等同于传统软件问题。
AI系统的输出往往具有一定不确定性，评判标准也更依赖业务语境。尤其在内容理解、智能问答、搜索推荐、智能客服、视频商业化等复杂场景中，AI的表现不只是“能不能回答”，更要看：
是否符合业务标准； 是否稳定可复现； 是否具备足够的可信度； 是否能够支撑版本持续迭代； 是否能在问题发生后被追踪和复盘。
这也使得AI评测不再只是一次性的人工打分，而是需要进入质量工程体系，成为AI应用持续演进的一部分。
AI评测面临的典型挑战
张超本次分享中，将重点关注AI评测过程中常见的几类痛点。
- 效率压力
AI应用迭代速度很快，模型、Prompt、知识库、业务规则都可能频繁变化。
如果评测主要依赖人工，往往会出现周期长、成本高、覆盖不足的问题。尤其当评测对象从单轮问答扩展到多轮对话、复杂任务和多模型对比时，效率压力会进一步放大。
- 标准不统一
不同业务团队、不同角色、不同评测人员，对于“什么是好结果”可能有不同理解。
如果缺少统一的评测标准和过程规范，评测结果就很难沉淀，也很难在不同业务之间复用和对比。
- 扩展能力不足
AI评测不是单点能力，而是涉及数据、任务、模型、规则、报告、反馈等多个环节。
当业务场景越来越多，评测规模越来越大，平台能力如果缺少良好的工程设计，很容易出现模块混杂、扩展困难、维护成本上升等问题。
- 过程难追溯
AI评测结果是否可信，很大程度上取决于过程是否透明。
数据来自哪里，评测标准是什么，使用了哪个模型版本，采用了什么配置，最终判断依据是什么，这些信息如果不能被记录和追踪，后续复盘就会变得非常困难。
这场分享值得关注的几个看点
相比单纯讨论“AI怎么测”，这场议题更值得关注的地方在于，它会从质量工程视角重新审视AI评测。
看点一：从工具能力走向工程体系
AI评测不是简单做一个自动打分工具。
真正进入业务深水区后，评测需要具备方案管理、任务执行、智能评判、报告分析、数据沉淀和持续优化等能力。
这背后体现的是质量工程从“点状工具”到“体系能力”的升级。
看点二：从人工经验走向标准化评测
AI评测很容易陷入“凭感觉判断”的状态。
但对于企业级场景来说，仅靠人工经验很难支撑规模化应用。评测标准如何定义、评测过程如何规范、评测结果如何复盘，是AI质量体系必须解决的问题。
看点三：从一次评测走向持续演进
AI应用不是上线后就结束了。
模型会更新，业务会变化，用户问题会持续出现，知识库也需要不断迭代。
因此，AI评测更像是一个持续运行的质量反馈机制。它不仅用于发现问题，也会反过来推动模型、数据、规则和系统能力不断优化。
看点四：从单点质量保障走向平台化能力
张超分享中提到的“数据×能力×效率”三引擎联动，体现了AI评测平台建设中的一个重要方向：
评测不只是执行任务，而是要让数据沉淀下来，让评判能力逐步增强，让业务使用门槛不断降低。
这也是AI评测从项目实践走向平台能力的关键一步。
AI评测质量工程的核心价值
对于正在推进AI应用落地的团队来说，AI评测质量工程至少有四个方面的价值。
提升评测效率
通过更加规范化、自动化、平台化的方式，降低重复评测成本，提高AI应用迭代过程中的验证效率。保障结果质量
通过更清晰的评测标准和更完整的评判机制，帮助团队识别AI应用中的准确性、稳定性、合规性和业务适配问题。支撑规模扩展
当AI应用从单一场景扩展到多个业务场景时，评测能力必须具备可复用、可扩展、可管理的特征。推动持续进化
评测结果不仅是验收依据，也可以成为后续优化模型、Prompt、知识库和业务规则的重要输入。
从AI评测看质量工程的新变化
AI时代的质量工程，正在发生明显变化。
过去，质量更多关注“软件是否按预期工作”； 现在，质量还要进一步关注“智能系统是否可信工作”。
过去，测试更多发生在研发交付流程中； 现在，评测需要贯穿AI应用从构建、上线到持续运营的全过程。
过去，质量体系依赖规则、流程和工具； 现在，质量体系还需要融合数据、模型、知识和反馈闭环。
这意味着，未来质量团队的能力边界会继续扩大。
测试人员不只要理解业务和系统，还要理解AI应用的评测方式、数据质量、模型表现、知识库效果和智能体行为。
这也是本届 TID质量竞争大会 关注AI评测质量工程的重要原因。
为什么推荐关注这场分享？
张超的《AI评测质量工程进化》，不是单纯讨论AI评测概念，而是从工程效能和质量保障视角，观察AI应用进入真实业务后的质量挑战。
对于以下几类人群，这场分享都值得关注：
关注AI测试和AI评测的质量团队； 正在建设大模型应用平台的研发团队； 希望提升AI应用稳定性和可信度的业务团队； 正在探索质量工程智能化升级的管理者； 关注研发效能、平台工程和工程治理的技术负责人。
AI评测不会只是一个短期热点，而会成为AI应用规模化落地过程中不可绕开的基础能力。
当AI应用越来越多地进入业务系统，质量工程也必须随之进化。
在TID质量竞争大会现场，腾讯PCG工程效能专家张超将围绕 AI评测质量工程进化 展开分享，带来来自真实业务场景的观察、思考与实践经验。
AI时代的质量竞争，已经不只是测试效率的竞争， 更是评测体系、工程平台、数据资产和持续演进能力的竞争。
