選一個腳本（腳本＝受測系統＋預設測試員＋輪數與評分準則），可以勾選多個測試員同時各跑一場，方便比較同一個系統面對不同人格的表現。
| 時間 | 受測系統 | 測試員 | 狀態 | 輪數 | 評分 | 重複率 | |
|---|---|---|---|---|---|---|---|
| {{ r.started_at?.slice(5,16) }} | {{ r.target_name }} | {{ r.persona_name }} | {{ statusText(r.status) }} | {{ r.turns }} | {{ r.judge.overall }}/5— | {{ r.metrics.repetition_max }} | |
| 還沒有測試紀錄。 | |||||||
| 輪數 / 空回覆 / 錯誤 | {{ detail.metrics.turns }} / {{ detail.metrics.empty_replies }} / {{ detail.metrics.errors }} |
| 重複率（最高／平均） | {{ detail.metrics.repetition_max }} / {{ detail.metrics.repetition_avg }} |
| 回應延遲（平均／p95） | {{ detail.metrics.latency_avg_ms }}ms / {{ detail.metrics.latency_p95_ms }}ms |
| 平均回覆長度 | {{ detail.metrics.avg_reply_chars }} 字 |
重複片段例子（{{ detail.metrics.repetition_pairs }} 組）
第{{e.a}}↔{{e.b}}則（{{e.similarity}}）：{{ e.excerpt_a }}…
{{ detail.judge.summary }}
| {{ c.name }} | {{ c.score }}/5 {{ c.comment }} |
發現的問題（{{ detail.judge.issues.length }}）
[{{ i.severity }}] {{ i.description }}｜{{ i.evidence }}
擷取的資料（{{ Object.keys(detail.captures).join('、') }}）
| 系統 | 測試數 | 平均輪數 | 平均評分 | 平均重複率 | 平均延遲 | 問題數（高） |
|---|---|---|---|---|---|---|
| {{ g.key }} | {{ g.runs }} | {{ g.avg_turns }} | {{ g.avg_score }}/5— | {{ g.avg_repetition }} | {{ g.avg_latency_ms }}ms | {{ g.issues }}（{{ g.high_issues }}） |
同一個系統面對不同人格的表現差異。分數低的格子就是要加強的情境。
| 系統 \ 測試員 | {{ p }} |
|---|---|
| {{ t }} | {{ row[p].avg_score ?? '—' }} ×{{ row[p].runs }} — |
| 測試員 | 測試數 | 平均評分 | 平均重複率 | 問題數（高） |
|---|---|---|---|---|
| {{ g.key }} | {{ g.runs }} | {{ g.avg_score }}/5— | {{ g.avg_repetition }} | {{ g.issues }}（{{ g.high_issues }}） |
[{{ i.target }}｜{{ i.persona }}] {{ i.description }}
每個測試員用一段 system prompt 定義「它要扮演什麼樣的使用者」——說話長短、個性、戒心程度、隱藏的困擾。它扮演的是使用者，不是系統。
{{ p.note }}
System prompt
{{ p.system_prompt }}用一份 JSON 設定描述「怎麼開場、怎麼送一句話、怎麼讀回覆、什麼時候執行額外動作」。新增任何系統都不用改程式。
{{ t.note }}
{{ probeText(probeResult[t.id]) }}
腳本把「受測系統＋預設測試員＋輪數上限＋每輪間隔＋評分準則」綁在一起，執行時可以臨時換成多個測試員。
用可設定人格的 AI 扮演使用者，去跟受測系統（例如三個小慢）進行完整的多輪對話， 跑完自動算指標、由 AI 評審打分。人工很難重複測試「聊三十輪會發生什麼事」，這裡讓機器代勞， 而且每次改版都能用同一套腳本重跑、前後比較。
整體邏輯是：先定義三樣東西（受測系統、測試員、腳本），然後按執行，最後看統計。
- 🎯 受測系統——要測誰。 每一筆是「怎麼跟那個系統對話」的設定（開場、送話、讀回覆、中途動作），目前已內建五個系統，通常不用改。 用一個系統前，先按它旁邊的「測試連線」：會真的送一句話過去、把對方回覆秀出來，通了才往下走。 要新增其他系統就照同樣的 JSON 格式填一份設定，不用改程式。
- 🎭 測試員人格——派誰去測。 每個測試員就是一段 system prompt 描述的假使用者（沉默寡言、滔滔不絕、有戒心、有危機訊號、趕時間……）。 可以直接改文字或新增。「指定開場白」填了的話，第一句固定照用，方便重現同一個情境。
- 📋 測試腳本——綁在一起。 一個腳本＝用哪個測試員 × 測哪個系統 × 聊幾輪 × 每輪間隔 × 評分準則。 腳本會留著，改版後重跑同一個腳本就能前後對照。評分準則是給 AI 評審看的，可依系統特性自訂。
- ▶ 執行測試。 選腳本、按執行。可以一次勾選多個測試員，同一個系統五種人格各跑一場，跑完在統計頁比較。 測試在背景進行（一場約幾分鐘），期間可以點進紀錄看即時逐字稿、也可以中途停止。
單場（執行測試頁點任一筆紀錄）：完整逐字稿＋機械指標＋AI 評審。重點指標：
- 重複率（0～1）：系統回覆彼此有多像。偏高（>0.5）代表在跳針——同一件事換句話一直說。
- 回應延遲：平均與最慢 5% 的回應時間。
- AI 評審：依評分準則逐項打 1～5 分，抓到的問題會附逐字稿證據。
- 中途動作（例如「生成報告」）擷取到的內容也存在紀錄裡，可以展開看報告全文。
跨場（📊 統計分析頁）：依測試員、依系統、依腳本的平均分數與重複率； 「系統 × 人格」交叉表可一眼看出某個系統面對哪種使用者表現特別差；高嚴重度問題會彙整成清單，就是最該修的東西。
- 受測系統頁 → 對「小慢‧覺察（staging）」按測試連線，確認是通的。
- 測試腳本頁 → 建「覺察 × 沉默寡言的高三生 × 12 輪」。
- 執行測試頁 → 按執行，點進紀錄看它即時對話。
- 跑完看評審分數與問題清單；之後再勾多個人格一起跑，到統計頁比較。
- 測試會真實呼叫受測系統，對話會出現在對方後台統計（暱稱是測試員名稱，看得出來是測試）、也會產生 API 費用。一場 20 輪的成本約幾塊到幾十塊台幣。
- 「個案分析 insight」「個案模擬 simulate」由其他團隊維護，第一次大量測試前先跟對方說一聲比較禮貌。
- 測「個案模擬」時測試員扮演的是心理師（系統扮演個案），人格設定要照這個方向寫。
- 「危機訊號」人格會觸發受測系統的高風險流程，屬於刻意的安全測試，請有意識地使用。
| 帳號 | 角色 | 建立時間 | |
|---|---|---|---|
| {{ u.username }} | {{ u.role === 'admin' ? '管理者' : '測試者' }} | {{ u.created_at }} |
給協助測試的人開帳號用。「測試者」可以執行測試、看統計、改設定，但不能管理帳號。