本文提出一套面向大模型知识库问答的系统化测试方法：以真实业务场景为边界，构建覆盖准确性、忠实性与检索质量的多维指标；打造问题-证据-答案的基准数据集并加入合成对抗难例；采用离线与在线评测结合的流程，并配套RAG专项工具与检索/重排测试；通过错误分类与治理，将评测结果沉淀为SLA与迭代机制。核心要点是以证据为中心衡量可溯源性，量化检索召回与排序质量，同时纳入延迟与成本等工程指标，在上线前降低幻觉风险、上线后持续监控优化，最终实现可测、可控且可信的知识库问答系统。