投稿前怎麼請 AI 審稿：哈佛 King 與 Worthington 的實驗、提示詞與限制
King 與 Worthington 拿 124 篇稿件的 134 份付費專家預審，對照 Claude Opus 4.8 的審查：GPT-5.5 評審的 132 組有定論配對全選 AI，3 位前任編輯在 30 次判斷中選了 26 次。結論只適用於投稿前的建設性意見，不等於期刊審查。
#llm-as-judge
3 篇文章評估與上線：怎麼知道 AI 知識庫好用，上線後怎麼持續變好
評估要分兩層：檢索有沒有找到出處段落，回答有沒有依據段落、答得對不對。只看回答會被騙：一項研究發現，給的資料不足以回答時，模型仍有三到六成答對，靠的是它自己的知識，換成只有你們公司答得出的問題就會壞。用 order 11 的測試題兩層都評，越權題和答不了的題也要評；LLM 當評審要跟人工抽樣校準。上線後，把轉人工、被抱怨的對話整理成失敗案例，交回文件負責人修，再加進測試題。
Braintrust：把 LLM 評估做成從 Dataset 回到 Production 的迴圈
Braintrust 把 versioned datasets、immutable experiments、scorers 與 production traces 接成同一個評估迴圈；它的價值不是多一個分數，而是把線上失敗送回離線測試。公司在 2026-02 宣布 8,000 萬美元 B 輪，客戶名單為公司自報。