最近在做一个基于大模型的信息抽取任务，从新闻里抽公司名、金额、时间这些字段。Prompt改了十几版，每次改完感觉某几个case变好了，但之前能对的又挂了，整个人快崩溃。目前就是手动复制到Playground里试，拿十来条样本看输出，完全凭感觉。想问问各位在实际项目里是怎么管理Prompt版本的？有没有类似单元测试的思路，能自动跑一批case然后对比结果？还是说这东西就没什么工程化可言，只能靠玄学……