A/B 测试是什么？随机分流、指标、样本量与停止规则

直接答案：A/B 测试是在同一时间窗内把合格对象随机分到对照组和实验组，用预先定义的主指标比较差异。它不是上线前后对比，也不能靠看到正向结果就提前停止；应先写假设、样本量、护栏指标和停止规则，再检查分流质量与置信区间。

本文面向需要做技术选型或落地验收的中文读者。所有会随版本变化的接口、价格、硬件支持和功能可用性，都应在实施当天回到官方页面复核；本文复核日期为 2026-09-10。

先判断：这个任务真正要解决什么

理解 A/B 测试能回答什么，并避免用随意分组、提前停止或多指标挑选制造假结论。开始前把业务目标写成可验证条件，避免把“能运行”“返回了结果”误当成质量达标。

核心原理与适用边界

• 相关变化不自动构成因果结论。
• 提前反复查看并停止会增加假阳性。
• 多个实验共享用户时要检查干扰和样本比例异常。

这些原则只说明技术机制，不代表任何特定产品在你的数据、硬件或组织流程中必然更快、更准或更省。若官方材料没有披露某项实现，应明确标为未知，而不是根据营销名称推断。

从基线到上线的执行步骤

1. 第 1 步：写清人群、变更、假设和主指标
2. 第 2 步：选择用户或会话分流单位
3. 第 3 步：估算样本量和最短时间窗
4. 第 4 步：上线前做 A/A 与埋点校验
5. 第 5 步：运行期间只监控安全护栏
6. 第 6 步：到期后报告效应量、区间和局限

每一步都要保存输入版本、配置、输出和验收结论。遇到失败先缩小范围并保留原始证据，不要为了让演示通过而修改测试口径。

建议保存的验收记录

常见风险与失败模式

• 把前后对比称为 A/B
• 按点击后行为重新分组
• 只报告显著的多个指标
• 忽略样本比例异常和跨组污染

风险较高的业务应增加人工复核和独立安全测试。本文不把公开资料整理写成编辑部实测，也不提供无法复现的速度、准确率或收益数字。

常见问题

只要官方示例能运行就可以上线吗？

不可以。官方示例用于说明能力或接口，仍需用你的数据、权限、负载和失败场景验证，并保存可以回放的结果。

为什么必须保留基线？

没有相同输入和相同指标的基线，就无法判断新方案是否真正改善，也无法在故障时确认回滚是否恢复。

版本变化后需要全部重做吗？

至少应重跑与变化范围相关的确定性检查、核心质量集、安全边界和恢复演练；重大模型、框架或数据变更应做完整回归。

下一步与一手来源

可继续阅读：Python 可复现基线、RAG 检索基线、模型评测与回滚。这些内链分别帮助补齐模型路由、对话系统和 Agent 治理边界，不替代本文缺失内容。

一手与原始资料：Microsoft A/B 测试架构、Google Optimize 迁移说明、SciPy 统计检验、Statsmodels 功效分析、NIST 工程统计手册。访问与事实复核日期：2026-09-10。