"指标不退化"要写进发布门禁
如果评测只在"有空的时候跑" ✗，那么质量退化就会随每次发布缓慢累积 ✔ ——
单次都"看起来没问题"，半年后整体明显变差 ✔（这是最典型的慢性退化 ✔）。
做法：把关键指标写进发布门禁 ✔ —— 不达标就不许合并/发布 ✔。
一、哪些指标该进"硬门禁"
| 指标 | 门禁形式 | 理由 |
|---|---|---|
| 格式合规率 | 不得低于上版 ▼ | 格式错会直接打崩下游 ✔ |
| 该拒答却作答率 | 不得上升 ▲ | 编造是最危险的失败 ✔ |
| 崩溃/超时率 | 不得上升 ▲ | 可用性底线 ✔ |
| 单位成本 | ≤ 预算 × 1.2 ▲ | 防未察觉的翻倍 ✔ |
| P95 延迟 | ≤ 上版 × 1.2 ▲ | 体感底线 ✔ |
注意方向 ✗：有的指标"越低越好"（编造率 ✔），有的"越高越好"（合规率 ✔）——
方向写错，门禁会变成反向激励 ✗。
二、哪些指标只做"提醒"
- 主指标（正确率）的小幅波动 ✔ —— 受样本方差影响 ✔（见小样本那篇 ✔），
硬门禁会导致频繁假红 ✗（假红多了，团队就会开始绕过门禁 ✔）；
- 长度、风格类指标 ✔（与业务无硬关联 ✔）。
原则：硬门禁只放"后果明确且可稳定测量"的指标 ✔。
三、门禁的三个工程细节
- 与"上版"比而不是与"历史最优"比 ✔（否则一旦有高峰值，之后永远过不了 ✔）；
- 冒烟集要小（几十条、1 分钟内 ✔）—— 否则没人愿意等 ✗（见评测接进 CI ✔）；
- 假红要有人处理 ✔（每周复盘假红，调整阈值或样本 ✔ —— 否则门禁会失信 ✔）。
四、门禁之外的"人工门"
有些退化机器测不出 ✔（语气变生硬、答案变啰嗦 ✔）→ 保留人工抽检：
每次发布抽 10 条看 ✔，并在变更说明里附结论 ✔。
五、落地顺序
- 先上"格式合规率 + 崩溃率"两条硬门禁 ✔（最容易量化 ✔，收益立竿见影 ✔）；
- 再加"该拒答却作答率" ✔（安全类 ✔）；
- 然后加成本与延迟 ✔；
- 最后才考虑把主指标纳入（并允许小幅波动 ✔）。
一条判据
一次改动导致格式合规率下降 5 个点 ✔，它能不能被自动拦下 ✔？
不能，说明门禁还没覆盖到真正重要的地方 ✗。