提示自動優化：用資料而不是直覺改提示
手工調提示會遇到天花板。這套流程用評測集驅動搜尋，把改提示變成可重複的最佳化問題。
對抗性提示測試：上線前先自己攻擊一輪
等攻擊者找出漏洞成本很高。這是一套可自動化的紅隊測試流程。
多輪對話的狀態管理：什麼該留、什麼該丟
對話越長品質越差，是因為上下文管理沒有設計。這是可落地的策略。
提示的 A/B 測試框架：把改動風險降到最低
離線分數好不代表線上好。這是一套從灰度到全量的提示發布機制。
把領域知識編進提示：術語表與規則庫的組織方式
領域知識塞進提示會爆長，用檢索又太重。這是中間的做法。
自我修正迴圈：讓模型檢查並修正自己的輸出
產生—檢查—修正的迴圈能顯著提升品質，但設計不當會變成無限打轉。
建立你的第一組提示評測集：30 題就能開始
沒有評測集，改提示就只是憑感覺。這篇示範用 30 題建立可重跑的基準。
提示壓縮：在不掉分的前提下把 token 砍掉四成
長提示不只貴，還會讓中段指令被忽略。這篇是實測過的壓縮順序。