同一条提示词在不同输入上可能表现完全不同。只看一段“写得不错”的输出，很容易误以为提示词已经可用。要把提示词真正用于工作，先把评审标准写出来：什么必须出现、什么不能出现、哪些差异可接受、谁有最终判断权。AI 可以帮助批量生成对照结果，但评审规则必须先于结果存在。
先定义任务的交付边界
例如让 AI 生成项目摘要，交付边界可能是：必须保留事实来源、写出风险和下一步、不能编造数字、长度不超过指定范围。不要把“专业一点”“更有吸引力”当成唯一标准；把它拆成可观察的语言、结构和事实要求。
| 评审维度 | 可观察标准 | 处理方式 |
|---|---|---|
| 事实准确 | 数字、名称、范围与输入一致 | 出现错误直接退回 |
| 完整性 | 必须字段和结论均出现 | 缺项记录原因 |
| 格式 | 标题、表格、长度符合要求 | 可由规则检查 |
| 语气与可读性 | 符合目标读者且不夸张 | 人工抽查 |
用一组固定样本做对照
准备正常、信息缺失、边界模糊和异常四类输入。每次改提示词都跑同一组样本，保留输出、版本号和评分。这样你能判断改动究竟改善了哪一类问题，而不是被某一个漂亮案例说服。提示词模板的变量和版本管理，可先参考 AI 提示词模板库的建立方法。
区分可自动检查与人工判断
字数、字段、日期格式和敏感词可以自动检查；事实可靠性、语气是否合适和是否会误导读者，仍需人工复核。若多个评审人意见不同，先回到评分描述，必要时补充示例，而不是只争论“感觉”。
通过后也要留一条监控线
上线时记录当前提示词版本和适用场景。定期抽样检查真实输出，把新出现的失败案例补回测试集；这样评审标准会随着业务而增长。
