什么是提示的回归测试？改了别处别坏了这里

提示词不是孤立的句子，而是一张互相牵连的网：为修「列表太长」加了一句限制，结果短回答的质量也跟着掉了一截。大模型的执行是整体性的，任何一处改动都可能波及看似无关的输出。提示的回归测试就是防波及的手段：每次改动后，把以前测过的老问题重新跑一遍，确认没坏。

牵一发动全身，是怎么发生的

模型读提示词是整篇一起读的，新增的每个字都在改写它的行为倾向。比如你为了压缩篇幅写了「回答尽量精炼」，原本详尽的分析类输出就被连带砍短了——你只想管住某一类回答，模型却把要求撒到了所有回答上。改动看着局部，影响却是全局的。

判断：改完只测新问题、不测老问题，等于给提示词埋暗雷。

回归测试怎么做得省力

不用每次全测。把老问题按重要程度分级：核心场景三五个，每次改动后必跑；边缘场景十来个，大改动时才跑。每题都定一句「合格标准」，比如「条数不超过五」「必须含表格」，跑的时候逐条打勾。豆包、DeepSeek 都能直接当跑题工具，十分钟就能过完一轮核心题。

清单本身也要跟着提示词进化。提示词新增了一类输出能力，就补一组对应的考题；某类任务不再用了，相关旧题退役。一张三年不动的回归清单，测的早就是另一个时代的提示词，分数再漂亮也没有参考价值。

类比：改完水管，回头拧一遍所有阀门

装修改水管的人都知道，动了一处接口，记得把全屋阀门挨个检查一遍——水压是通的，一处拧松了，别处就渗水。回归测试就是这个回头检查：你动的是一处，渗不渗水要看全屋。

渗水看得见，质量滑坡要靠标准抓

水管的渗漏看得见摸得着，提示词的「渗水」往往藏在输出质量里，肉眼扫一眼未必发现，所以每题要有明确的合格标准，凭感觉检查会漏。另外，水管查一次能管很久，提示词换个模型就要重查一遍，回归清单跟着模型走，不只是跟着提示词走。

再讲一个实务细节：回归测试的结果要和版本记录放在一处。哪一版跑过哪些题、各题过没过，翻记录就能对上。发现了问题却对不上版本，排查等于重头再来——记录和测试本来就该是一套动作的两个半场。

回归测试跑多了容易流于打勾，要点是每次真看。输出从「五条」变成「五点」这种细微变化，打勾勾不出来，肉眼扫得到。工具负责提醒，判断还是人的——这也是回归测试没法完全自动化的原因。

回归测试的前提是改动有记录，方法见什么是提示词的版本管理？改到第几版；单次怎么测看什么是提示词测试？改之前先试，看完就会判断；题目攒成固定一批就是什么是提示的评测集？一批标准问题；示例变动后的波及，参考什么是示例挑选？few-shot 给哪几个；示例自动匹配的场景见什么是动态示例？按问题挑例子，通俗版解释。

回归测试速查表

• 核心题三五个，每次改动必跑。
• 每题一句合格标准，逐条打勾。
• 换模型或大改后，整套重跑。
• 新翻车样本随时补进清单。

改了别处，回头发一遍老题，确认这里没坏。

聊聊提示的回归测试的常见疑问

• 小改动也要跑回归吗？：改一个标点不用，改任何一句指令性文字都要跑核心题，成本十分钟以内，值得。
• 老题太多跑不动怎么办？：按场景分级，核心必跑、边缘抽查，清单定期清理过时的题目。
• 回归发现坏了怎么处理？：按版本记录回滚到上一版，再把新改动的范围收窄，定位是哪句引起的波及。