监测样本量多少才可信？

AI 回答具有随机性：同一问题在不同时间、不同账号、不同对话上下文中都可能变化。单次结果只能作为参考。

实用的做法是固定问题样本（例如 25 个），每轮全量测试并记录，重点看多轮之间的趋势，而不是某一次的具体名次。

如果预算有限，宁可减少平台数量也要保证问题数量。问题覆盖面不足，得到的结论没有代表性。

建议同时记录未提及的情况。只统计被提及的样本会高估效果，未提及率往往更能反映真实覆盖缺口。

所有原始回答都应留存（截图或文本），否则数据无法复核，也无法在出现争议时回溯。