漏审率按“AI评审判定通过、但人工复核或后续缺陷暴露问题的用例数”除以“同一时间窗内AI判定通过的用例总数”计算，分母为零时标注不适用；人工修正量按AI意见被人工改写、删除或补充的条目数统计，并同时给出平均修正条数、修正字数与修正工时。两个指标要跨批次比较，需先固定评审对象范围、AI版本与提示词版本、时间窗和复核抽样规则。
要点总览（TL;DR）
- 漏审率 = AI判定通过但被人工复核或后续缺陷证明有问题的用例数 ÷ 同一时间窗内AI判定通过的用例总数；分母为零时标注不适用，不写0%。
- 人工修正量按修正条目数、修正字数、修正工时三种口径分别统计，同时给出总量与每条用例均值，避免只用条目数低估改写工作量。
- 跨批次比较前需固定评审对象范围、AI模型与提示词版本、时间窗和人工复核抽样规则；抽样结果标注为抽样口径，不当作全量结论。
- 评审耗时需把AI评审与人工复核分开记录，缺陷前置发现数按评审阶段发现、后续才暴露的缺陷统计，并注明缺陷记录习惯的影响。
- 漏审率受抽样比例与复核严格度影响，人工修正量高可能来自AI意见不清或用例本身质量差，单指标不构成绩效结论。
评估目标：先定义要回答的评审效果问题
统计之前先明确评估对象。这里评估的是AI对测试用例的评审输出，包括每条用例的通过/不通过结论，以及AI给出的具体意见条目。测试执行结果、脚本维护质量、需求变更带来的返工不在本次统计范围内，它们会干扰对AI评审环节的判断。
一套可用的评估需要回答三个问题：AI漏掉了什么，即AI判定通过、实际存在问题的用例有哪些；人工为AI补了多少，即人工在AI意见基础上改写了多少内容、花了多少时间；这些投入换来了什么，即评审阶段提前发现了多少缺陷、单条用例的评审总耗时是升是降。三个问题分别对应漏审率、人工修正量和配套的效率与缺陷指标。
评估周期建议按固定的批次划分，例如一个迭代、一个版本或一个自然月，保证每个批次内AI模型与提示词版本不变。对比基线有两种设定方式：一是AI上线前后的同一类用例对比，用于回答“引入AI后评审效果是否变化”；二是不同AI版本或不同提示词版本之间的对比，用于回答“这次调整是否让评审更准”。两种基线不要混在同一张表里，否则结论无法归因。
评估目标说明应至少写清三件事：评估对象是AI评审输出而非整个测试流程；对比基线是上线前后还是版本之间；评估周期的时间窗起止日期。这份说明是后续所有口径争议的裁决依据。
指标与范围：漏审率、人工修正量及配套指标的定义
指标定义要落到分子、分母、单位和时间窗四个要素，同名指标算法不一致是跨团队比较失败的最常见原因。下表给出建议口径，团队可按自身记录能力调整，但调整后需在评估目标说明中同步更新。
| 指标 | 分子 | 分母 | 单位 | 时间窗 |
|---|---|---|---|---|
| 漏审率 | AI判定通过、但人工复核或后续缺陷证明存在问题的用例数 | 同一时间窗内AI判定通过的用例总数 | 百分比 | 与评估周期一致 |
| 人工修正条目数 | AI意见被人工改写、删除、补充的条目数 | 不适用，按总量与每条用例均值呈现 | 条、条/用例 | 与评估周期一致 |
| 人工修正字数 | 人工改写与补充产生的净增或变更字数 | 不适用，按总量与每条用例均值呈现 | 字、字/用例 | 与评估周期一致 |
| 人工修正工时 | 人工处理AI意见所花时间 | 不适用，按总量与每条用例均值呈现 | 小时、分钟/用例 | 与评估周期一致 |
| 评审耗时 | 不适用 | 不适用 | 分钟/用例 | 与评估周期一致 |
| 缺陷前置发现数 | 评审阶段发现、后续才暴露的缺陷数 | 不适用，按数量与占比呈现 | 个 | 与评估周期一致 |
漏审率的分母只计AI判定通过的用例，不计AI判定不通过的用例，因为后者已经进入人工处理流程，不属于“漏掉”的范围。分子中的“存在问题”需要可核验的证据：人工复核明确标注的问题，或后续缺陷单能关联回该用例。仅凭主观感觉认为用例不好，不计入分子。
人工修正量的三种口径回答不同问题。修正条目数反映AI意见被采纳和调整的频次，适合观察意见质量；修正字数反映人工改写的文字工作量，适合评估文档类产出的人力投入；修正工时反映真实的时间成本，适合与评审耗时合并计算投入产出。三种口径同时呈现，避免只用条目数得出“修正量很小”的结论，而实际每条意见都被大幅改写。
评审耗时需把AI评审耗时与人工复核耗时分开记录。合并成一个总数会掩盖AI环节本身的效率，也无法判断人工时间花在复核结论还是改写意见上。缺陷前置发现情况按“评审阶段发现、后续才暴露的缺陷数”统计，并注明团队缺陷记录习惯，因为记录不及时会系统性低估这一指标。
统计范围要写清纳入哪些项目、哪些用例类型（功能、接口、性能、兼容性等）、时间窗起止。范围一旦确定，同一对比组内的所有批次保持一致；新增项目或新增用例类型时单独成组，不与原范围混算。
数据口径与证据：从哪里取数、如何保证可比
每个指标都要能追溯到原始记录。建议至少准备以下字段：用例ID、用例所属项目与模块、用例难度等级、AI评审结论（通过/不通过）、AI意见条目及原文、人工复核结论、人工修改记录（改写/删除/补充及对应字数）、人工处理耗时、关联缺陷单号、AI模型版本、提示词版本、评审时间。字段缺失时在数据表中标注“未记录”，不用默认值填补，否则分母和分子都会被悄悄改变。
可比性依赖几个固定条件。第一，固定AI模型与提示词版本，版本变更后旧数据只作历史参考，不与新版本直接比较。第二，固定用例范围与难度分层，简单用例占比高的批次漏审率天然偏低，跨批次比较前先看分层结果。第三，固定人工复核的抽样规则与抽样比例，例如按模块分层随机抽取20%，或对AI判定通过的用例全量复核。抽样比例变化时，漏审率只能在同一抽样规则内比较。
未复核部分的处理方式要提前约定。若只复核了抽样部分，漏审率应标注为“抽样口径”，并给出抽样比例和置信区间；不能把抽样结果直接写成全量漏审率。若某批次完全未做人工复核，该批次漏审率标注为“未复核”，不参与跨批次排名。
人工修正工时的取数最容易失真。建议在评审任务中记录开始与结束时间，或由评审人按用例逐条填写耗时，避免事后回忆估算。工时口径要说明是否包含阅读AI意见的时间、是否包含与作者沟通的时间，同一对比组内保持一致。
计算步骤：从原始记录到指标结果
以下步骤按顺序执行，每一步都产出可检查的中间结果，便于他人复算。
步骤一，圈定时间窗内的AI评审记录。按评审时间筛选，剔除重复提交、测试性提交和明显异常的记录，去重键建议用“用例ID+评审时间+AI版本”。去重后得到本批次的AI评审用例总数，以及其中AI判定通过的用例数，后者是漏审率的分母。
步骤二，关联人工复核结论与后续缺陷。以用例ID为关联键，把人工复核标注的问题、后续缺陷单中关联到该用例的记录合并，标记出“AI判定通过但存在问题”的用例。同一用例有多个问题时只计一次，避免分子被重复放大。
步骤三，计算漏审率。公式为：漏审率 = AI判定通过但存在问题的用例数 ÷ AI判定通过的用例总数 × 100%。分母为零时，该批次漏审率标注为“不适用”，不写0%，因为0%会被误读为“没有漏审”。
步骤四，统计人工修正量。从人工修改记录中分别汇总改写、删除、补充的条目数，得到修正条目总数；汇总变更字数得到修正字数；汇总人工处理耗时得到修正工时。再分别除以本批次被人工处理的用例数，得到每条用例的平均修正条数、平均修正字数和平均修正工时。三个均值与三个总量同时保留，总量看规模，均值看强度。
步骤五，分层输出。按用例难度或模块分组，重复步骤一至四，得到各层结果。分层后若某模块分母为零，同样标注不适用。分层结果与总体结果并列呈现，总体均值掩盖差异时以分层结果为准进行解读。
在ONES中执行这套流程时，测试用例、评审意见与缺陷单分别由ONES TestCase和ONES Project承载，ONES Assistant可基于项目、工作项与知识页面理解上下文并执行创建缺陷、更新状态等操作，使评审记录与缺陷关联留在同一套可追踪的工作项中。具体字段结构与取数方式需按团队实际配置核验，统计口径以上述定义为准。
算例：一个批次的具体数字
假设某批次AI共评审用例1000条，其中AI判定通过800条、判定不通过200条。人工对判定通过的用例按20%比例分层抽样复核，共复核200条，其中12条被人工认定存在问题，另有3条在后续测试中由缺陷单关联回该用例且此前未被人工复核发现。
抽样口径漏审率为12 ÷ 200 × 100% = 6.0%，标注为“抽样口径，抽样比例20%”。若把后续缺陷暴露的3条也计入，并假设这3条落在未复核的600条中，则全量口径的分子至少为15条，漏审率不低于15 ÷ 800 × 100% = 1.9%。两个数字差异来自复核覆盖范围不同，报告中应同时给出抽样口径结果和全量口径下限，并说明未复核部分未做推断。
人工修正量方面，假设AI在本批次共给出1500条意见，人工改写320条、删除180条、补充90条，修正条目总数为590条，平均每条被处理用例修正约2.95条（590 ÷ 200）。假设修正字数合计23600字，平均每条用例118字；人工处理AI意见耗时合计30小时，平均每条用例9分钟。三种口径分别呈现，不互相替代。
假设某小型模块本批次AI判定通过用例为0条，该模块漏审率标注为“不适用”，并在表格中保留该行，备注“本批次无AI判定通过用例”。不删除该行，也不填0%。
分层后可能出现总体与单模块结论相反的情况。例如总体漏审率6.0%，但核心交易模块抽样40条中8条有问题，漏审率20%，而展示类模块抽样160条中4条有问题，漏审率2.5%。总体数字被用例量大、问题少的模块拉低，解读时应指出核心模块风险更高，并检查是否需要在核心模块提高复核比例。
解读与限制：指标能说明什么、不能说明什么
漏审率能说明在给定复核规则下，AI判定通过的用例中有多少被证明有问题，适合用来观察AI评审的保守程度和版本变化趋势。它受抽样比例和复核严格度直接影响：抽样比例提高、复核人更严格，漏审率通常上升。跨团队比较前必须先对齐抽样规则和问题认定标准，否则数字差异可能只反映复核力度不同。
人工修正量能说明人工为AI意见付出了多少调整工作，但高修正量有两种常见来源：AI意见表述不清、颗粒度不合适，导致人工大幅改写；或者用例本身质量差，AI意见触及的问题需要人工补充大量内容。结合意见类型分析才能区分，例如统计被删除意见中“重复表述”“与用例无关”的占比，判断问题出在AI侧还是用例侧。
缺陷前置发现情况受缺陷记录习惯影响明显。评审阶段发现的问题若没有及时登记缺陷单，就会在统计中消失；后续才暴露的缺陷若未关联回用例，也无法计入漏审分子。这一指标适合在同一团队内做趋势观察，不适合直接等同于AI贡献，更不能把缺陷前置发现数的增长全部归因于AI。
评审耗时与人工修正量要一起看。AI评审耗时短但人工修正工时高，说明效率转移到了人工侧；两者都下降且漏审率未上升，才更可能说明评审环节整体改善。单看任何一个指标都不足以得出结论，也不建议把漏审率或修正量单独用作个人或团队的绩效结论。
AI版本或提示词变更后应重置基线。新版本上线后的第一批数据与旧版本数据之间，差异可能来自模型能力，也可能来自用例分布变化，直接比较容易误判。重置基线的做法是：新版本上线后重新积累一个完整评估周期的数据，再与旧版本同范围、同抽样规则的数据对比，并在报告中注明版本信息。
常见问题
人工复核只覆盖了一部分用例，漏审率还能用于跨批次比较吗？
可以比较，但前提是抽样规则一致。若两个批次都按同一比例、同一分层方式随机抽样，抽样口径的漏审率可以横向对照；若抽样比例或复核严格度发生变化，数字差异可能主要来自复核力度，而非AI评审质量。
报告中应标注“抽样口径”并写明抽样比例，未复核部分不做推断。需要更接近全量的结论时，可对AI判定通过的用例做全量复核，或对核心模块提高复核比例后单独呈现。
AI意见被人工删除，算不算人工修正量？
算。人工修正量统计的是AI意见被人工改写、删除、补充的条目数，删除属于其中一种处理方式。分开记录改写、删除、补充三类数量，有助于判断问题来源：删除占比高往往说明AI意见存在重复表述或与用例无关，改写占比高则可能说明意见颗粒度或表述方式需要调整。
删除的条目同样计入修正条目总数，但不产生修正字数，因此字数口径与条目数口径的结果可能不同，三种口径需并列呈现。
AI模型或提示词升级后，旧批次的漏审率还能直接对比吗？
不建议直接对比。版本变更后，差异可能来自模型能力，也可能来自用例分布或复核人员变化，混在一起无法归因。可行做法是新版本上线后重新积累一个完整评估周期的数据，在与旧版本相同的用例范围、难度分层和抽样规则下比较，并在报告中注明两边的版本信息。
旧数据可作为历史参考保留，但不参与新版本的排名或趋势线拼接。
评审耗时和缺陷前置发现数怎么和漏审率放进同一套评估？
三者回答不同问题，应并列呈现而非合并成一个综合分。评审耗时按单条用例分别记录AI评审耗时与人工复核耗时；缺陷前置发现数按评审阶段发现、后续才暴露的缺陷数量统计；漏审率反映AI判定通过的用例中实际有问题的比例。
解读时结合看：AI评审耗时短但人工修正工时高，说明效率转移到了人工侧；漏审率未上升且两类耗时都下降，才更可能说明评审环节整体改善。缺陷前置发现数受缺陷登记习惯影响，适合在同一团队内看趋势。
某个模块本批次没有AI判定通过的用例，漏审率填0%还是留空？
标注为“不适用”，并在表格中保留该行、备注原因，例如“本批次无AI判定通过用例”。填0%会被误读为“该模块没有漏审”，与事实不符；直接删除该行则会让读者误以为模块未被纳入统计。
分层输出时同样处理，各层分母为零的模块单独标注，不参与总体均值的计算与排名。
