提示词改了十版，没人知道是不是变好了

[林小北]

先问一句：你们有固定测试集吗？如果每次拿不同问题测，感觉一定会漂。

[小曹]

没有。就是业务方临时问几句。

[melo]

那不是调提示词，是抽卡。先把真实失败样例收起来，至少 50 条。

[半截薯条]

而且要保留旧回答。只看新回答，很容易忘了之前哪里坏。

[小潘同学]

我建议建三列：用户原问题、当前回答、理想回答。再加一个失败类型。

[Grace]

失败类型很关键。答非所问、废话多、拒答过度、格式错、引用错，这些不能混着算。

[小曹]

业务方不愿意写理想回答，说没时间。

[陈一]

那就让他们至少标“能不能接受”。没有标注，工程侧没法猜业务标准。

[普通网友A]

是不是可以让另一个模型当裁判？

[nora]

可以辅助，但不能全信。尤其客服、合规、业务口径，模型裁判经常看起来合理但不懂真实规则。

[阿白]

我这边做法是：模型先打分，人工抽查争议样例。这样不至于全靠人工。

[小周]

提示词版本怎么管理？我们现在是文档里复制粘贴。

[林小北]

最少也要进 Git。每次改动写清楚：为什么改、影响哪些样例、回滚方式。

[小曹]

听下来我现在缺的不是更强提示词，是测试集。

[melo]

对。没有评测集，提示词越写越像祈祷文。