پرامپت جدیدت را نوشتی. از کجا مطمئن شوی واقعاً از قبلی بهتر است؟

با «ارزیابی» (Eval)، نه با امتحان روی یکی دو مثال! مجموعه‌ای از ورودی‌های واقعی و جواب‌های مطلوب جمع کنید (از ساده تا موارد مرزی)، هر دو پرامپت را روی همه اجرا و نتیجه‌ها را بشمارید. پرامپتی که روی یک مثال درخشان است، ممکن است روی ده مثال دیگر بدتر باشد.