本次公开课的核心主题是“提示词自我迭代进化”。虽然课程最后还有一个演示没有完全跑完但整体方法论已经讲清楚重点不是一次写出完美提示词而是让提示词在训练、评估、反馈中不断更新最终形成可迭代、可回归、可版本化的提示词资产。本文重点回顾技术部分。一、为什么要做提示词自我迭代在 AI测试场景中提示词往往要承担用例生成、脚本辅助、日志分析、缺陷总结等任务。单条静态提示词很容易遇到问题输出不稳定同一类任务结果波动大约束容易遗漏模型自由发挥上下文不足模型理解偏差输出格式不统一后续难以自动化处理任务一复杂提示词就“带不动”。因此提示词不能只靠手写而应该像代码一样被训练、评估和迭代。课堂中提到的“自我迭代进化”本质就是建立一套闭环让提示词在反馈中变好而不是靠感觉改。二、技术主线提示词自我迭代闭环从课堂思路看提示词自我迭代进化的核心流程可以概括为初始提示词 → 执行任务 → 收集结果 → 评估反馈 → 诊断问题 → 改写提示词 → 回归验证 → 新版本 → 继续迭代这个闭环中最关键的不是“改写”本身而是“评估”和“回归”。没有评估就不知道改得好不好没有回归就可能改好一个场景、弄坏另一个场景。三、关键步骤拆解1. 建立提示词基线先写出一版能跑通的提示词作为基线版本。基线不要求完美但必须包含基本要素角色模型以什么身份执行任务目标要解决什么问题输入任务上下文、数据、约束步骤是否需要分步思考或分阶段执行输出格式字段、结构、模板边界条件不能做什么、遇到异常怎么处理。这一版提示词的作用是让后续迭代有参照物。2. 执行与采样用基线提示词执行任务收集输出结果。这里不能只看一次结果而要观察同一提示词在不同输入下的表现。重点记录哪些场景稳定通过哪些场景偶发失败哪些场景完全不可用失败是模型能力问题还是提示词表达问题。3. 评估与反馈评估是自我迭代的核心。课堂中虽然没有展开完整评估系统但方法论上可以理解为为提示词建立测试集和评分标准用人工评估或自动评估给输出打分。常见失败类型包括指令模糊模型不知道要做什么约束缺失输出超出要求上下文不足模型缺少必要信息格式错误输出无法被程序解析示例不匹配few-shot 示例与当前任务不一致任务拆分不合理一步要求太多模型顾此失彼。只有把失败类型定位清楚改写才有方向。4. 诊断与改写针对失败类型提示词可以分层修改指令层明确任务、拆分步骤、增加约束上下文层补充背景知识、边界条件、参考示例输出层规定 JSON、表格、字段、校验规则反思层让模型自检、自我批判、给出修改建议组合层用多提示词协作规划、执行、检查分离。课堂中“部分写的提示词”已经共享出来等训练完成之后还会再更新一版。这说明提示词不是一次性产物而是持续演进的版本。5. 回归与版本化每次修改提示词后不能只测新场景还要用同一套测试集回归旧场景。推荐做法记录每次提示词版本保留旧版本方便对比每次尽量只改一个维度用测试集比较新旧版本通过率防止“修好一个坏掉一片”。这样提示词才能像代码一样可管理、可回滚、可迭代。6. 自动/半自动进化进一步可以让模型参与提示词优化根据失败案例生成改进候选再由评估器打分最后由人工审核合并。课堂最后提到的“训练完成之后再更新一版提示词”本质上就是这种思路先跑训练再根据结果更新提示词版本。但要注意自动进化不等于完全放任模型改写。必须有评估器和人工兜底否则提示词可能越改越偏。四、学习路径建议如果想按这套方法提高自己可以按以下顺序推进先复现课堂提示词跑通基线为任务建立一组覆盖典型场景的测试用例记录失败输出归类失败原因针对失败原因改写提示词做新旧版本回归对比固化稳定版本再继续下一轮迭代。结语提示词自我迭代进化的重点不是“写一条神级 Prompt”而是建立一套可执行、可评估、可回归、可版本化的闭环。先掌握思路再持续训练最后更新出更好的提示词版本。按照这个思路去学习、去提高就能逐步造出真正可用的 AI测试能力。