-
使用成对比较处理主观性评估： 不要要求模型在1–10的尺度上为某个回复评分（直接打分法），而是给它两个回复，让它选出更好的那个。这能显著降低方差，并与人类偏好更加吻合。
-
强制使用思维链（CoT）： 始终提示评估者在输出最终评分或决定之前，先逐步解释其推理过程。这能大幅提升准确率。
-
使用LLM面板（PoLL）： 依赖单个大模型（如GPT-4）成本高昂，且可能引入”模型内偏差”。相反，集成三个较小的、多样化的模型，让它们对最佳回复进行投票。这样更便宜，而且往往更准确。
-
告诉智能模型不要过度思考： 对于简单任务，例如检查生成的答案是否与标准答案匹配，大型模型往往过度分析或引入外部知识。用”不要过度思考”这类提示词明确约束它们，能让其保持在正轨上。
-
在评估标准上做到极度具体： 像”评估质量”这样的宽泛指令会导致糟糕的结果。将评估拆解为严格、细粒度的标准（例如”回复中是否包含冒犯性语言？“或”它是否严格遵循了JSON格式？”）。每个提示词只评估一个维度。
-
使用交叉审查验证事实： 如果需要检查事实准确性，设置一个多轮提示词流程，让”审查员”LLM向”受审者”LLM提出追问，以发现不一致之处。