"我理解 AI 测试和传统测试最大的区别是——传统测「对错确定」，AI 测「概率正确」。所以我重点补了三块：通用能力评测用「评测集 + 评分器 + 指标」三件套，RAG 评测分检索和生成两段抓幻觉，Agent 评测看任务成功率和工具正确率。并动手写了三个能跑的评测 demo，用 LLM-as-Judge 做语义评分，也清楚它的位置偏置和长度偏置。