我第一次真正注意到它
是在 PaperBench / PaperAgent 这类论文复现 Agent 的研究里
因为复杂任务不是一道简单的答对 / 答错题
它要理解问题、拆解步骤、调用工具、检查过程、验证结果
我们有没有一套标准
能判断它到底有没有把事情做好
Rubric 表面上像一个评估术语
背后其实是在回答
什么叫完成
什么叫合格
谁来验收
哪些错误不能接受
什么情况必须返工
后来我自己做 AI 问答评测时
对这件事感受更深
很多答案你能感觉到“不太对”
但要把这个“不对”稳定写成一条可复用规则
并不容易。
所以 Rubric 难写
不是因为人不会写标准
而是很多工作过去本来就没有被清楚定义
这也是为什么我越来越觉得
Rubric 最终考的不是 AI
而是组织
AI 想稳定交付
组织就必须先说清楚
什么叫把一件事做好