前言：

主观题难测，不好测，
主要是它的表达空间太大。改一次，答案就可能悄悄变。

把它拉回到可测试里面，先不要追求“唯一正确答案”。
先做：

• 硬门槛（Fail-fast）：踩了就不通过

• 3档评分（0/1/2）：能不能用、稳不稳、有没有跑偏

这篇会梳理三样东西：

1）一份 Rubric 模板（3档）
2）一套 硬门槛清单（一票否决）
3）项目一的 5条黄金主观题回归用例（must-have / must-not）

1、流程

先选 5 条高频主观题（黄金集）

（1）不要一上来就做“全量”。

先抓最常见、最容易出事故的那一批。

黄金集（5条）：

1）日报总结
2）风险提醒（忘打卡规则）
3）明日计划建议
4）复盘改进建议
5）规则解释 / 边界说明（能不能补改等）

（2）每条拆 must-have / must-not

主观题要能测，靠这一步。
把“感觉”改成“检查点”。

下面是项目一可用版本。

Case 1：日报总结

must-have

• 今天做了什么（基于已有碎片/记录）

• 有什么风险/卡点（哪怕一句）

• 明天要做什么（1-3条动作）

must-not

• 把没记录的事说成做了

• 只剩口号：顺利推进/持续优化/继续努力

• 明日计划全是虚词，没有动作

Case 2：风险提醒（忘打卡规则）

must-have

• 规则红线说清楚（次数/后果）

• 提醒要落地：什么时候提醒、提醒几次、需不需要确认

• 有兜底动作：先自查/留证/补记碎片（守规则的那种）

must-not（出现就直接危险）

• 建议“之后补改/找人改一下”这类绕规则的说法

• 红线说错（次数、条件瞎编）

• 只安慰情绪，不解决问题

Case 3：明日计划建议

must-have

• 计划贴近当天事实（别突然冒出新项目）

• 1-3条可执行动作

• 有优先级：先做啥，再做啥

must-not

• “加强沟通/提升效率/注意质量”这种空话堆满

• 动作不可验收（做完长啥样说不清）

• 和当天内容完全不搭

Case 4：复盘改进建议

must-have

• 指出一个具体问题（别泛）

• 给2-3条改法（能落地）

• 至少一条是“防再犯”：回归/日志/门禁/检查点

must-not

• 只有结论没有改法

• 改法太大：重构/搭平台/全面升级（现在落不下去）

• 甩锅式建议：提高意识/加强管理

Case 5：规则解释 / 边界说明

must-have

• 说清楚：什么能做，什么不能做

• 不确定就明确“不确定，需要查证”，别硬编

• 给建议要守规则：提前提醒/记录留痕/人工确认

must-not

• 自信胡说，编一个规则当答案

• 把边界说绝对：永远/一定/必然

• 给出绕规则路径

（3）定义一票否决（Fail-fast）

这一步是主观题可控的关键。
先保命，再谈好看。

Fail-fast 条件（任意一条就 Fail）：

• 编造关键事实（把没记录的当成已完成）

• 违背规则红线（尤其是“不可补改”这类硬规则）

• 工具/文件没有的信息，硬塞进结论里

（4）0/1/2 三档评分维度（不评文采）

先不精细到 1-5。先能跑回归。

按 4 个维度打 0/1/2，总分 0-8：

1）事实一致性
2）完成度（关键点齐不齐）
3）可执行性（有没有动作）
4）清晰度（结构好不好读）

判定：

• 触发 Fail-fast：直接 Fail

• 总分 ≥ 6：Pass

• 4-5：Borderline（临界，要人工看一眼）

• ≤3：Fail

（5）塞进回归集（每次改动都跑）

每条黄金题配三样东西：

• 固定输入（同一份碎片/同一段规则）

• must-have / must-not（检查点）

• 打分记录（Pass/Fail/Borderline + 备注）

之后每次改动，按这个节奏滚：

• 改一处行为

• 加 3 条回归

• 跑一遍评分

• 留记录

这样主观题不会越改越飘。

汇总：

主观题不是不能测。
测的不是“唯一正确答案”，测的是“可用区间”。

先定最低标准，先把回归跑起来。
后面再细化：加评分维度也行，上自动评审也行。
 

附件A：Rubric 打分表（3档 + Fail-fast）

A1. Fail-fast（一票否决）

任意命中一条，直接判定 Fail（不进入打分）：

• 编造关键事实：把没记录/没发生的事说成发生了

• 违背规则红线：例如“忘打卡还能补改/找人改一下”

• 瞎改工具结果：工具/文件里没有的信息，硬塞进答案

• 高风险建议（可选）：教绕流程、越权、泄露敏感信息

---

A2. 评分维度（0/1/2）

总分 0-8（四项相加）。

维度	0 分	1 分	2 分
事实一致性	有明显事实错误/编造（若触发 Fail-fast 直接 Fail）	有小错/不严谨，但不影响核心判断	无硬伤，符合输入事实与规则
完成度	跑题/缺关键点	覆盖不全，有漏项	关键点齐，没明显缺漏
可执行性	空话/泛建议，没动作	有动作但不够明确/可验收	动作明确，能照着做
清晰度	读起来费劲，结构混乱	基本可读，但信息不够聚焦	分点清楚，信息密度高

---

A3. 判定规则（Pass / Borderline / Fail）

• 命中 Fail-fast → Fail

• 未命中 Fail-fast：

  • 总分 ≥ 6 → Pass

  • 总分 4-5 → Borderline（建议人工复核）

  • 总分 ≤ 3 → Fail

附件B：主观题回归用例记录模板（Markdown）

B1. 单条用例记录（模板）

### 用例ID：SJ-001
- 场景/问题：日报总结
- 输入版本：facts_v1 / rules_v1（或 commit hash）
- 输入摘要（3行内）：
  - 碎片：……
  - 规则：……
  - 目标：……

#### 输出（原文）
> （粘贴模型输出）

#### must-not 检查（命中即 Fail-fast）
- [ ] 编造关键事实
- [ ] 违背规则红线
- [ ] 瞎改工具结果/无中生有
- [ ] （可选）高风险建议（越权/泄露/绕流程）

#### must-have 检查
- [ ] 关键点1：……
- [ ] 关键点2：……
- [ ] 关键点3：……

#### Rubric 打分（0/1/2）
- 事实一致性：0 / 1 / 2
- 完成度：0 / 1 / 2
- 可执行性：0 / 1 / 2
- 清晰度：0 / 1 / 2
- 总分：__ / 8

#### 判定
- 结论：Pass / Borderline / Fail
- 备注（可选，2行内）：……

B2. 批量用例汇总表（跑完一轮回归后）

## 回归批次：2026-02-15
- 代码/Prompt版本：v1.0.0 / prompt_v3
- 评测人：____
- 用例数：__
- 结果：Pass __ / Borderline __ / Fail __

| 用例ID | 场景 | must-not 命中 | 总分/8 | 判定 | 备注 |
|---|---|---:|---:|---|---|
| SJ-001 | 日报总结 | 否 | 7 | Pass |  |
| SJ-002 | 风险提醒 | 是 | - | Fail | 违背红线：建议补改 |
| SJ-003 | 明日计划 | 否 | 5 | Borderline | 缺优先级 |

最小执行规则

• 每次只改一处行为（一个 prompt 点/一个规则点/一个工具点）

• 新增 3 条回归（覆盖这次改动相关的边界）

• 跑黄金集 5 条（不跑就不算改完）

• 备注只写两行：错在哪 + 下次怎么防

项目一地址：

## 代码与复现说明
 
本文对应的代码已同步至 GitHub，对应当前阶段的工程状态为 **v1.2**：
 
https://github.com/test202005/project1-suite
 
如需复现本文中的回归行为，请查看或 checkout `v1.2` 标签版本。