核心要点
加显式反馈入口：点赞/点踩、评分、一键纠错或"报告问题"
收隐式信号：是否采纳、复制、追问、重试、停留时长——这些更真实
把反馈回流成评测集和 badcase 库，定期分析失败模式，驱动 prompt/检索/模型迭代
注意反馈偏差（只有不满意的人才点踩）和样本量，别被少数声音带偏
标准回答
显式反馈：让用户主动告诉你
在答案旁放点赞/点踩、星级评分、"这条有用吗"，再给个纠错或"报告问题"入口收集具体哪里不对。门槛越低，参与越多。
隐式信号：从行为里读满意度
很多用户不会点反馈，但行为不会骗人：他有没有采纳/复制答案、是不是马上追问或重试、停留多久、是否中途放弃。这些信号量大且真实，是显式反馈的重要补充。
回流成数据资产
把好评样本沉淀进评测集，把差评和失败案例进 badcase 库。定期分析失败模式（是检索没召回、prompt 没说清、还是模型能力不够），针对性优化 prompt、改检索、补数据或换模型——改完再用评测集验证。
形成数据飞轮
用得越多 → 反馈越多 → 模型/系统越好 → 用户更愿意用，正向循环。
注意偏差
点踩的往往是不满意的人，比例会失真；样本太少别急着下结论。
常见误区
⚠️ 常见踩坑
只放个点赞点踩却从不分析数据，反馈白收；或只看显式反馈忽略行为信号，样本既少又有偏，被个别极端意见带着乱改。
追问
追问 1：收上来的反馈很杂、量也不大，怎么用起来？
先聚类归因：把 badcase 按失败类型分组（检索失败/格式错/幻觉/语气不对），找出占比最高的几类优先治理，比逐条改更高效。量小时结合隐式信号补充，并保证每次改动都在固定评测集上回归，避免改好一个坏一片。
追问 2：怎么减少反馈偏差的影响？
别只靠点踩这种自选样本，主动抽样人工标注一批真实流量做基准；同时看隐式行为指标（采纳率、重试率）作交叉验证；对关键指标设统计显著性门槛，样本不足就不轻易下结论或上线大改动。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。