分别定义现状基线与评估方法

基线是当前流程在明确条件下的实际表现；评估方法则规定用于比较方案的任务、指标、约束和检查。解释改进结果之前，需要把这两部分分别记录清楚。

指标定义应包括分子、分母、时间范围、排除规则和适用群体。内部客服测试中，选择知识卡片与满足有效关闭条件属于不同事件。区分它们修正了衡量口径，但不意味着工单关闭率已经提升。

保留不同解释及其反证条件

一个延误结果可能有多个合理解释。逐项列出支持记录、可能推翻它的证据，以及能够检验它的最小实验。缺少的资料也应进入决策记录。

Polaris 将取证、分析和验证拆成不同任务，保留失败的假设。已经被否定的解释，需要新证据或外部条件变化后才能再次提出，使后续调查仍然依据实际观测推进。

适合可执行验证的任务，可以在候选工作区之外固定验收规则。两阶段验证将候选运行与评分分开，候选程序无法读取受保护的评分脚本和标签；独立复核环节再检查产物及依据。

研究诊断并不总有可执行验收。已发布的研发排队案例有回放和复核记录，但没有独立冻结验收。它的模型估计需要保留假设与研究范围，不能描述成通过了盲测基准。

项目历史将假设、候选方案、执行检查和下一步决策联系起来。失败尝试、复核意见、资料版本和未解决的问题共同说明工作为何发生变化。

这种依据反馈持续调整的过程，是 Polaris 在评估项目中描述的递归自我改进。它修正假设、调查路径和候选方案。仅有这些记录，尚不能证明模型权重经过训练，或方法已经适用于另一家企业。

通过离线检查的方案可以进入小范围试点。改变运营方式之前，约定负责团队、干预内容、对照对象或时期、质量要求和回退条件，同时记录可能影响判断的其他变化。

节省工时、缩短等待和减少支出应分别衡量，避免重复计算收益。已发布的内部测试支持特定技术或研究结论，实际业务改善还需要相应客户环境中的记录。

每个案例都有留出测试集吗？

没有。可执行冻结验收、经过复核的研究分析和真实业务试点属于不同的验证范围，页面会分别说明。

通过一次检查能说明什么？

说明候选方案满足该次检查采用的规则与输入。更广泛的可靠性和经营收益，还需要补充证据。