最近在做一个客服问答的小工具，用GPT-4o做意图识别和回复生成。Prompt改了十几版，每次改完感觉某类问题好了，另一类又崩了，完全靠手动试，头大。想过用LangSmith或者PromptLayer这类工具，但不确定值不值得上，还是先自己写个Excel记录算了。另外评测集也不知道怎么构造比较合理，人工写了几十条，但覆盖不全。有没有实践过的老哥聊聊，小团队怎么低成本把Prompt迭代这件事管起来？