测试集先于验收
用历史简历、真实问询与制度条款建一套测试集，覆盖常见问题、边界问题与个案争议三类。为什么必须自己建：供应商的演示样本偏简单，测不出争议场景。建议由 HR 与法务共同标注参考答案，标注分歧当场解决，避免验收时争论标准。
四项可量化指标
简历要点召回看关键信息是否漏抽；提纲可用率看面试官是否直接采用；答复一致率看同一问题多次提问是否给出同一口径；引用准确率看条款与日期是否对得上。怎么算：分母取测试集条数，分子取双人确认正确的条数，分歧单独列出。
合规项一票否决
个人信息是否最小必要、敏感字段是否隔离、权限是否按岗位最小化、访问是否留日志，任一项不达标即不通过。为什么单列：这些问题不会在日常使用中暴露，一旦出事却最难补救，验收时必须现场演示而不是看文档。
申诉与留痕
候选人申诉、员工对答复有异议时，系统要能给出当时的输入、引用条款与处理人。验收时随机挑几条历史会话，要求现场回溯。为什么是硬项：做不到这一点，等于把争议处理的举证责任留给企业自己。
适用与不适用
适合谁
- 正在签 HR AI 合同、需要写验收条款的企业
- 已上线但说不清效果的 HR 共享服务中心
不适合谁
- 只做内部演示、不准备做抽检与申诉机制的项目
典型场景
某集团验收时用自己的测试集：两百条历史问询、一百份简历、三十条争议对话，由 HR 与法务各标注一遍，分歧当场裁定。现场再随机抽十条会话要求回溯到条款与处理人，权限与日志由信息安全同事现场演示，缺一项就进整改。
可执行步骤
- 用历史简历、真实问询与制度条款建测试集，覆盖常见、边界与争议三类
- 由 HR 与法务各自标注参考答案，分歧当场裁定，并把结论写入验收确认单
- 把四项指标的分子分母、抽检比例与分歧认定写成验收条款，双方签字
- 现场演示权限、日志与回溯能力，随机挑历史会话要求当场复现处理过程
- 按缺口分类约定整改轮次，复验换新样本，而不是重复使用上一轮的旧样本
常见坑
- 用供应商准备的演示问题验收，覆盖不到争议与边界场景，上线后第一起申诉就暴露问题。
- 只测答复像不像人话，不测条款与日期是否准确，员工按错误口径休假，HR 只能事后补救。
- 合规项只看文档不看现场演示，权限实际给了全量数据，验收通过但风险留在生产环境里。
自检与验收清单
- 测试集是否覆盖常见、边界与争议三类问题，且来自真实记录
- 参考答案是否由 HR 与法务双人标注并签字
- 四项指标的分子分母与抽检比例是否书面化，并双方签字
- 权限、日志与回溯能力是否现场演示，并留存记录
- 整改轮次与复验样本是否写入确认单，并由双方签字
常见问题
测试集要多大才够？
不看绝对数量，看覆盖：常见问题、边界情形、争议个案各要有，且来自真实记录。规模小的企业几十条也能起步，关键是由业务与法务共同确认答案，并在每次制度调整后补充新样本。
答复一致率怎么测？
同一问题用不同说法问多次，看口径是否一致；再与新制度条款比对，看是否同步更新。做法是把问题分成事实类与解释类，事实类要求完全一致，解释类允许措辞不同但结论必须相同。
出了争议谁来举证？
企业需要能说明当时的依据与处理人，所以留痕是验收项而不是附加功能。系统应保存输入、引用条款、答复内容与复核人；没有这些记录，争议时只能靠口头说明，风险由企业承担。