Numan 在做 AI 健康教练 Nu 的时候，撞上了一堵墙：真正稀缺的东西不是提示词，而是评测标准。数字健康这个行当，一句话说错就可能变成医疗风险，所以团队把评测放到产品前面，而不是等上线之后再翻数据。他们试过最常规的两条路：攒一批单轮问答做静态数据集，或者写脚本跑多轮对话。两条路都很快撑不住了。真实用户不按脚本说话，一句“我最近睡不好”背后可能是焦虑，可能是药物副作用，也可能只是深夜想找个人聊聊。
于是他们干脆把评测拆开重做。主题数据集按类别打分，不再用一个总分糊过去，而是按睡眠、用药、心理状态这些主题分别看模型到底在哪一块掉链子。更关键的是模拟对话层：让更便宜、更快的模型扮演患者，源源不断生成不一样的会话，贵的那一层只负责当裁判。成本结构一下子翻了过来，覆盖率反而上去了。再往上，是安全回归的自动闸门——某一类安全指标一旦跌破阈值，发布直接被拦住，而不是发封邮件让产品经理自己看着办。
这套东西听起来远不如“我们换了个更强的模型”性感，但它决定了团队能不能睡个整觉。模型会换代，提示词会被抄走，评测集才是那层别人拿不走的东西。Nu 的经验说白了就一句：在医疗健康这种错不起的场景里，谁先把“什么算好”写成可执行的判据，谁才有资格谈迭代速度。
