在开发 AI 应用时，prompt 的变化带来的效果天差地别，但是在业务中又往往需要更改 但是修改后的 prompt 和原来的到底哪个效果更好，结果好像不得而知，你们是如何来评估 prompt 的效果的，就大致随意测试一下还是有一套完整的流程进行评估
