评测、版本与知识维护

假设你的模板需要生成带证据的短文，可以先选择三个正常样例和两个边界样例。正常样例覆盖不同长度与结构，边界样例分别包含缺失正文和相互冲突的说明。每个样例都保存输入版本与期望结果范围。

对于关键边界，可以设为必须通过，而不是与文风分数平均。一次越权操作不能因为语言优美就被综合分掩盖。对于表达清晰度，可以用简短量表，例如读者是否能复述结论、找到来源并理解限制。

保留基线和运行条件

记录模型或应用版本、提示版本、资料版本、运行日期、可用工具和必要参数。某些托管产品不会提供完整内部版本信息，就记录实际可观察到的设置与限制，不编造精确标识。

生成式系统可能在相同输入下产生不同输出。一次运行可以发现明显问题，但对稳定性要求较高时，应重复运行并记录波动。重复次数要与成本和风险相称，不能用一个幸运结果替代稳定表现。

改进要定位到失败类型

若输出漏掉来源，可能是模板要求不清；若引用支持不了结论，可能是证据判断失败；若正文抓取不完整，问题在资料处理；若旧事实被反复使用，问题在维护与版本管理。不同原因需要不同修复，不能每次都只换模型。

可以每次只改变一个主要因素，再重跑评测，这样更容易判断影响。如果同时换模型、改提示、替换资料和更新工具，结果改善也难以归因。实际工作有时必须同时变更，但要诚实记录比较限制。

维护日历与事件触发

高频使用且易变化的产品资料可以安排较短复核周期；稳定概念可在出现新证据、错误反馈或课程改版时检查。链接失效、实际行为与说明不符、来源修改关键条件，都应触发提前复核。

更新后保留变更摘要与旧版本定位，必要时能够恢复。评测集也需要维护：新增真实失败样例，移除不再适用的情况时说明理由，避免悄悄删除失败测试让结果看起来更好。若训练或提示反复围绕同一组样例优化，还应加入未用于调试的新样例检查泛化。