Prompt调了半天效果还是不稳定，大家到底是怎么做版本管理和回归测试的？

我们直接把Prompt当代码管，每次改动跑固定测试集，崩了的case标红，比记笔记靠谱多了。

我们现在的做法是Prompt也进Git，每个版本配一份固定的测试集，改完就跑一遍看diff。测试集不用多，二三十个覆盖核心场景和边界case就够，关键是每次回归都跑同一套。另外强烈建议把temperature调低甚至设0，不然你根本分不清是Prompt的问题还是采样随机性。飞书文档人肉记真的顶不住，早点上工具吧。

我们现在是把Prompt当代码管，直接扔git里，每次改动都留commit记录，配合一个固定的测试集跑批量评估，分数掉了就回滚。测试集不用多，二三十条覆盖核心场景和之前踩过的坑就够了。飞书文档人肉记真的顶不住，早晚会乱。

我之前也踩过一模一样的坑，改完prompt感觉这边好了那边又炸，后来发现根子上是没把测试用例固定下来。我的做法是先把线上踩过的bad case和典型场景整理成一个几十条的测试集，每条标注期望输出的大致标准，不用特别精确，能判断对错就行。然后每次改prompt都把这个集子跑一遍，把结果记下来对比，这样至少能看出来是整体变好还是只是局部过拟合了。版本管理我现在直接用git管prompt文件，每次改动写清楚改了什么、为什么改，配合测试结果一起commit，回滚也方便。回归测试确实没法像传统单测那么严格，但可以搞个半自动的打分脚本，比如用另一个模型当裁判给输出打个分，人工再抽查几条。飞书文档那种方式超过十个版本真的会崩，早点换工具吧。

有没有更详细的教程推荐？