通过自动化指标、人工反馈和基准测试，为大语言模型应用实施全面的评估策略，适用于测试大语言模型性能、衡量AI应用质量等场景

在对主观决策不确定时，向随机用户寻求判断。通过众包获取关于语气、风格、伦理和现实性的反馈。关键提示：响应可能需要几分钟到数小时，甚至可能永远不会收到