凭感觉的迭代不是迭代.

改一版提示词，跑两个例子，觉得「好像好了一点」，于是提交。第二天换了个例子，又觉得不如从前。这不是迭代，这是随机游走。

区别只有一个：有没有一组固定的题目，让两个版本可以在同一把尺子下比较。

二十条真实样例就够开始.

评测集不需要一开始就完美。从线上日志里挑二十条真实请求，人工写下期望的输出，就已经足够拦住大部分明显的退步。

尤其要收进去那些曾经出过错的例子。它们是你花代价买来的，不该只留在记忆里。

分数只需要可比较.

很多人卡在「怎么给自然语言输出打分」上，迟迟不开始。其实分数不必绝对准确，它只需要在两个版本之间保持一致的偏好。

哪怕只是人工快速判断「对/错/不确定」，只要每次都用同一套题、同一套标准，你就已经拥有了一条基线。有了基线，改动才第一次变得可讨论。