最近在做一个客服场景的意图分类+回复生成，用GPT-4o跑了几百条测试用例。Prompt改来改去，感觉有时候效果好是运气，换个说法又崩了。现在用Excel记不同版本，但对比起来很乱，A/B测试也是手动跑，根本不知道哪个版本真的更好。想问问各位大佬，平时怎么管理Prompt版本？有没有轻量级的效果评估工具或流程推荐？还是说只能靠人工一条条看？真心求教，感觉自己还在盲人摸象。