改 A 坏了 B，是最难发现的一类退化
评测集通常围绕"本次改动"设计 ✗ —— 于是回归（改 A 影响 B ✔）很难被发现 ✔：
分类准确率涨了 ✔，但摘要变啰嗦了 ✔；检索召回涨了 ✔，但答案引用率掉了 ✔。
要专门做"横向回归" ✔：改一处、跑全套 ✔。
一、三件事要同时看
① 目标指标（本次想改的）—— 是否变好
② 守卫指标（不想动的）—— 是否没变坏
③ 全局指标（整体）—— 是否有意外变化
第 ② 项最容易被省 ✗ → 但它正是"改 A 坏 B"的探测手段 ✔。
做法 ✔：给每个功能指定 2~3 个守卫指标 ✔（例如"摘要功能的输出长度中位数" ✔），
每次改动都检查它们是否在范围内 ✔。
二、评测集的"横向覆盖"
- 一个评测集覆盖多个功能（而不是每个功能一个孤立的集 ✔）；
- 跨功能样本（同一批输入，看多个功能的输出 ✔）；
- 共享组件改动要跑全量（改组装器/改解析器/换模型 ✔ —— 影响面最大 ✔）。
判断标准 ✔：这次改动被哪些功能共用 ✔？
共用的越多 → 跑得越全 ✔。
三、三个实操建议
- 冒烟集要覆盖所有功能（每功能 3~5 条 ✔，1 分钟跑完 ✔）；
- 完整集按"改动影响面"选（不是每次全跑 ✔ —— 见评测接进 CI ✔）；
- 记录"这次跑了哪些集、结果如何" ✔（见发布说明 ✔）。
四、三个反模式
- 只测改动的那个功能 ✗（回归漏掉 ✔）；
- 守卫指标没有阈值 ✗（"变差一点点没关系" → 累积退化 ✔）；
- 改动影响面靠猜 ✗（应该看依赖关系 ✔）。
五、一条判据
上次改动后 ✔，除了目标指标 ✔，你还看了哪几个守卫指标 ✔？
说不出，说明回归防护还只有"目标指标"一层 ✗。