最近在做一个基于GPT-4的客服问答系统，发现同样的prompt模板，换几个相似问题，回复质量就忽上忽下。比如加一句“请用简单语言回答”，有时效果很好，有时反而让模型说废话。我试过few-shot、chain-of-thought，也学着用角色设定和负面提示，但总感觉没有系统方法论，纯靠试。想知道大家在实际项目中，prompt工程一般做到什么程度算“能用”？有没有判断效果好坏的标准，还是说只要不崩就继续用？求过来人指条明路，别让我再玄学调参了。