一、这一层最容易被低估
如果只看：
看答案对不对
其实远远不够。
因为生成层的本质是：
把内容"说出来"
要测的，不只是：
- 有没有说对
还包括：
-
有没有乱说
-
好不好读
-
稳不稳定
二、这一层可以梳理成三大类问题
1️⃣ 幻觉问题（最核心）
模型说了不该说的
常见情况：
-
chunk里没有答案，但模型补了一个
-
模型引用了"常识"，但资料里没有
-
内容看起来对，但其实是编的
怎么测？
构造"无答案场景"
例如：
教学资料里没有"发动机最大转速"
问：
👉发动机最大转速是多少？
预期：
👉 拒答 或 明确说资料没有
如果模型回答了具体数值：
👉 直接判幻觉
2️⃣ 表达问题
👉 内容对，但读起来不像人
常见表现：
-
一堆"然后 / 接着 / 此外"
-
句子很长
-
像论文或说明书
怎么测
👉 同一输入，多次生成
看：
-
表达是否稳定
-
是否出现模板化语言
一个实用的判断方式：
直接读一遍
如果你自己都不会这样讲：
就是有问题
3️⃣ 格式 / 可用性问题
用户能不能直接用
常见问题：
-
输出过长（用户只要一句话）
-
没分段
-
中英文混杂
-
没按要求结构输出
怎么测
强约束输出格式
例如：
请用三句话讲清楚看模型能不能遵守
三、容易忽略的一点：Prompt本身要测
很多人只测模型，不测 Prompt。
实际上：
Prompt就是生成层的"控制器"
测的是：
-
Prompt写法是否稳定
-
改一个规则，会不会影响输出
-
不同指令，风格是否一致
四、可落地的测试方法
Step 1：准备3类用例
正常用例（有答案）
验证能正确生成
无答案用例
验证不会胡说
表达用例
验证是否自然
Step 2：定义简单判断标准
不用打分，先用规则：
幻觉
- 出现资料外内容 → FAIL
表达
- 出现明显"然后/接着"堆叠 → 警告
格式
- 超出要求长度 → FAIL
Step 3：重复跑（关键）
👉 同一个问题跑3次
看：
-
是否稳定
-
是否有随机偏差
五、这一层最真实的坑
自己踩下来，有两个很典型：
坑1：内容是对的，但不好用
用户还要自己改
坑2：看起来很合理，但其实是编的
最危险
六、小结
生成层主要关注三块：
-
幻觉控制（有没有编内容）
-
表达质量（像不像人说话）
-
输出可用性（用户能不能直接用）
同时做三类用例：
-
有答案
-
无答案
-
表达验证
并通过多次运行观察稳定性。