最近在用GPT-4做客服场景的意图识别，大概写了十几个版本的prompt。每次改完感觉某几个case好了，但之前没问题的case又挂了，来回横跳。目前就是手动拿十几个测试用例跑一遍，眼睛看输出，改几个词再跑，效率极低而且很主观。想问下大家在实际项目里是怎么管理prompt版本的？有没有什么工具或者方法论能像单元测试一样，改完prompt自动跑回归、看通过率？还是说只能靠经验和玄学……真诚求教。