迭代试错和评测驱动有什么区别？

同样是把一条AI提示从六十分调到九十分，有人一路改一路看，改了二十版；有人先攒好测试集和验收标准，然后按部就班地优化。两种路子最终都到了九十分，但花的时间、结果的可靠程度完全不同。

结论：试错管探索，评测管收敛

任务刚开始、连好输出长什么样都不知道时，用迭代试错快速摸边界；等你知道什么是好、开始要求稳定产出时，切到评测驱动。试错的价值是快，能在几十分钟内把方向摸出来；评测的价值是稳，让每一次改动都有据可查。顺序反了会两边吃亏：起步就搭评测体系，容易在没摸清任务前过度设计；成熟了还在纯试错，每次改动都在赌运气。

迭代试错的过程长什么样

试错的节奏是改一处、跑一次、看一眼，凭感觉判断这版比上版好还是差。它的优点是零准备：不用建测试集，不用定标准，打开智谱清言就能开始。探索新任务时，这种高频率的小步快跑能快速告诉你哪些要求有效、哪些说法模型不认。

它的坑也在感觉上：没有固定输入，两次比较就不可靠——这版的输入和上版不一样，好坏根本没法比；没有记录，改到第十版常常忘了第四版为什么被放弃，绕圈子回到原点。所以哪怕试错，也建议最低限度地记两样东西：固定一条常用输入当对照组，每版写一句改动原因。记录的粒度问题在提示版本和代码版本管理差在哪？里有现成模板。试错还有个隐藏好处值得说：高频次的改动观察会快速培养你对这类任务的手感，哪些说法有效、哪些要求模型经常忽略，这种直觉来自大量短周期反馈，是评测数据替代不了的经验积累。

评测驱动的流程长什么样

评测驱动是先定验收标准，再攒一组固定测试输入，然后每版提示都在同一批输入上跑，按标准打分比大小。它把好不好这个模糊问题换成了哪版得分高这个可比问题，改动的效果一目了然。代价是前期投入：定标准、攒输入、跑分记录，这些在人工测试和自动评测有什么区别？里拆过成本。

评测驱动还有一个隐性好处：它逼你提前想清楚什么是好输出。很多人试错半年说不清自己的验收标准，一旦要写下来，才发现一堆要求互相矛盾。写标准的过程本身就是一次梳理。

从试错切到评测的信号

三个信号出现任意一个就该切：同类任务每周要做三次以上；提示改动开始影响别人的工作；你发现自己在凭记忆争论哪个版本更好。切换不用彻底，保留试错的敏捷用于探索新变化，评测兜住主干的质量，两条腿走路。切换也别一步到位，先挑最要紧的那条提示建评测，跑顺了再铺开，一上来给十几条提示同时建体系，多半撑不下去。另外提醒一句，评测定下标准后要真按标准执行，别让好感觉盖过分数，标准形同虚设比没有标准更迷惑人；至于指望某一条提示包打天下的想法，早在「存在万能提示词」错在哪？别再混淆了里被拆过了。

对照表：试错对评测

• 阶段：摸方向对保稳定
• 依据：当下感觉对固定标准
• 成本：零准备对先投入后省力
• 试错探路，评测定盘。

换个问法再问评测驱动三句

• 测试输入要多少条才够？：十条起步，覆盖典型情况加两三条刁钻情况，够看出趋势，先跑起来再扩。
• 试错阶段也要记录吗？：最低限度记两样：一条固定对照输入，一句改动原因。这两样能防住大部分绕圈子。
• 评测分数高就一定好用吗？：不一定，分数覆盖不到的维度要留人工抽查，比如语气是否自然，机器分再高也要人眼把关。