模拟数据生成器：常见问题

我到底需要生成多少条数据才算足够？

虽然没有绝对的标准，但经验法则告诉我们，大约 100 条高质量、多样性强 的测试用例通常就能达到“饱和状态”。这意味着再增加更多的数据，它们揭示的新问题也会越来越少。

模拟的数据真的能代表真实用户的提问吗？

虽然不能 100% 还原，但通过“维度组合”生成的模拟数据，在逻辑结构上能极好地覆盖真实场景，这也是业界常用的“数据冷启动”方案。在拥有超过 100 条真实记录后，我们建议将模拟数据与真实采样混合使用。

如果我不知道该设置哪些维度怎么办？

没关系，这正是 AI 的强项。你可以简单地告诉它你的业务背景，比如“我正在做一个卖保险的助手”，AI 会自动帮你推导出常见的用户偏好、身份、情绪等维度。

为什么不建议在生成元组时直接生成句子？

如果一步到位，AI 的输出很容易变得枯燥且重复（比如 10 个句子里有 8 个都是以“请问...”开头）。拆成两步做，能让系统在写句子时更专注于“语气”和“风格”，效果更真实。

避坑指南（Anti-Patterns）

• 非结构化生成（Unstructured generation）：如果不使用维度/元组（Dimension/Tuple）结构，直接提示“给我测试查询”，会产生通用、重复的“快乐路径（Happy-path）”示例。
• 单步生成（Single-step generation）：在同一个 Prompt 中同时生成元组和查询，其多样性远不如“两步走”的分离策略。
• 随意设置维度（Arbitrary dimensions）：维度如果不针对预期的失败区域（Failure-prone regions），会浪费测试预算。
• 跳过对元组的审核：如果不对元组进行验证，就无法判断 LLM 生成的场景是否真实可行。
• 对复杂领域特定内容（如法律、医疗）生成模拟数据：LLM 可能会遗漏这些领域的专业结构化细节。
• 对低资源语言或方言生成模拟数据：生成的样本可能极不自然。