生产AI工作流的提示词测试框架指南

提示词测试框架通过代表性测试用例和针对性指标评估LLM输出质量，帮助在上线前发现提示词变更导致的性能回归，弥补传统精确匹配测试在LLM场景下的局限。常见工具包括Promptfoo、DeepEval、LangSmith、Braintrust、Langfuse和Arize Phoenix，分别面向代码优先、可观测性或托管评估等不同场景。