改一行 Prompt 就敢直接上线，是 LLM 应用团队最常见的事故源。传统代码有单元测试兜底，Prompt 的「测试」是什么？答案是评估集（Eval Set）工程------大部分团队有评估集，但做得不对。
评估集的三个常见死法
1. 一次性评估集 ：项目初期花一周精心做了 50 条，之后再没更新。三个月后模型换了三轮、需求改了两版，评估集测的还是上个版本的产品。评估集是活的资产，要随需求变更同步进化。
2. 全能型评估集 ：一套 case 测所有能力。正确做法是按能力维度拆分：格式遵从 20 条、边界输入 20 条、领域知识 20 条、对抗样本 10 条------分维度看分，才知道改这行 Prompt 动了哪块。
3. 只有正例 ：全是「标准输入→标准输出」。负例（该拒绝的、该转人工的、该报错的）缺失，意味着你永远测不出「乱答」的问题。负例占比建议 20~30%。
语义断言：打破「标准答案」迷信
很多场景没有唯一标准答案（生成类任务），逐字比对必挂。语义断言是解法：不比对文本，比对「意思是否达标」------用一个小模型当裁判，按维度打分（准确性/完整性/格式），或者用规则断言（包含关键实体、不含禁词、长度区间）。
实践配比：规则断言管硬约束 （格式/禁词/必含要素，快且稳），模型裁判管软质量（语义达标度），人工抽检管最终校准------三层各司其职。
接入流程：评估左移
评估集最大的价值在「改之前」而不是「改之后」：每次改 Prompt/换模型/调参数，先跑评估集，分维度看分数变化------涨的那块是不是你想要的？跌的那块能不能接受？绿灯才上线。CI 化之后，改 Prompt 的心理成本从「祈祷」变成「看报表」。
结语
Prompt 是没有编译器检查的代码，评估集是它唯一的测试覆盖。没有评估集的 LLM 应用，等于裸奔着改生产代码------从今天起，把每次线上事故的 case 加进评估集，三个月后你会感谢这个习惯。