Sierra 如何用 golden dataset 评估并改进 AI 智能体的搜索质量

Sierra 为旗下检索与重排模型 Linnaeus 和 Darwin 搭建了一套每日评估系统，从客户前一天的对话中采样数千条匿名搜索样本，用前沿 LLM 多阶段流水线筛选出"golden articles"作为基准，再以 recall、precision、nDCG 等指标对比智能体实际检索结果。