llm-triage-eval 仓库用 qwen2.5:7b 构建本地 LLM 分诊评测体系

该仓库以游戏线上服务 bug 报告为案例，用 Ollama 运行 qwen2.5:7b 做工单一级分诊，并以现职 QA 实务为基础设计评测体系持续验证其判断。v1.4 构成包含格式重请求、废弃确认、Critical 检查清单等由代码强制执行的步骤；在从未运行过的 25 件最终评测集上两次测量，幻觉、缺陷废弃、人工确认遗漏、格式违规均为 0 件，格式 STRICT 100%，Critical 漏判 2/10，平均响应 2.29 秒。仓库还提供回归门禁、幻觉自动检测、pytest 与 GitHub Actions CI，并记录了 v1.0 起 llama3.1:8b 因编造缺陷和设备信息落选的对比过程。