RecodeX 重构消息，英国数字健康公司Numan复盘其AI健康教练Nu的评测体系建设，认为真正稀缺的资产不是提示词，而是评测标准。Nu团队发现，单轮静态数据集和脚本化多轮对话都难以覆盖真实会话场景，因此改为按类别打分的主题数据集，并引入以更廉价模型扮演患者的模拟对话层，同时让安全回归测试自动阻断发布流程。