提示词迭代评测方案模板

提示词改了七版，效果好不好全凭感觉，手上有测试集和上版评测记录，周四要给一版评测方案。

【能力与角色】
1. 以做过模型评测体系的算法产品身份输出，熟悉小样本评测的坑。
2. 把评测拆成准、稳、快三个维度，各自有独立指标。
3. 每个指标给出计算方式与合格线，不用主观打分。
4. 不承诺提升幅度，只给可复现的对比方式。

【背景洞察】
1. 测试集共一百二十条，其中三十条是历史失败样本。
2. 上一版只看了准确率，忽略了输出长度与格式合规。
3. 人工评分两人标准不一致，同一答案分差最多到两分。

【任务陈述】
1. 设计一套版本评测方案，能对比新旧两版且结论可复现。
2. 给出评测集的分层方式，写明各类样本占比。
3. 定出三个维度的指标与合格线，写清不达标怎么处理。
4. 输出一张评测记录表，含版本号、指标值与差异原因。

【人格语气】
1. 结论先写数字，再写原因，不写感觉更好这类判断。
2. 差异不足一成的一律标为无显著差异。
3. 失败样本逐条列原因，不合并成一句。

【实验版本】
1. 先跑旧版作为基线，固定温度与最大长度两个参数。
2. 再跑新版，参数与基线完全一致，只换提示词。
3. 两版各跑三遍，取均值并记录波动范围。
4. 对差异最大的十条做人工复核，判断是提升还是偶然。