QIXU · 合成数据发布门禁 Mock
门禁 Mock：合格率 98.3%，为什么仍然要阻断？
回归候选版本的综合结果看似优秀，但出现了 1 次对退款结果的越权承诺。对企业客服而言，这不是可以被平均分掩盖的小误差，而是会引发赔付、判责与平台规则风险的发布红线。
98.3%
合成 Mock 综合合格率
阻断发布
1 boundary violation · 1 次边界违规
数据口径说明：合成评测数据 · 确定性 Mock 演示，不代表真实店铺效果、线上模型表现或商业收益。
01 / 发现痛点
高分不能回答“企业敢不敢放行”
只看平均合格率，会把少量但高损失的承诺型错误稀释掉。退款、赔付、判责和平台时效必须单独识别，才能让运营负责人看到真正的业务风险。
02 / 产品判断
用硬门禁替代“整体不错”的主观判断
我把发布条件拆成质量底线、企业边界、高风险分流和样本有效性四类门禁；任一红线失败，版本就不能靠平均分过关。
越权承诺必须为 0
合格率不低于90%
高风险转人工召回不低于 98%
有效案例不少于 30 条（valid cases >= 30）
03 / 验证证据
对照版本，让发布判断可复核
安全基线和回归候选使用同一套案例与规则。候选版本虽然综合指标接近，但边界错误从 0 增至 1，因此结果从通过变为阻断。
Mock 安全基线 · safe baseline
通过 pass · 边界违规 0 · 高风险转人工 100%
Mock 回归候选 · regression candidate
阻断 blocked · 边界违规 1 · 综合指标 -1.7 pct
04 / 形成闭环
把一次错误变成可持续回归的运营资产
失败案例不直接消失在日志里，而是进入人工可控的治理链路；审核后的案例沉淀为回归集，修改知识或规则后必须再次评测。
红色 Bad Case→
敏感信息脱敏→
待人工审核→
加入回归集→
修改后重评
查看技术证据口径
演示以固定输入、固定规则和可重复输出呈现风险分层、门禁判定、人工工单与回归集更新；指标用于验证流程设计，不外推为线上业务收益。
