将提示词当作代码管理：保存版本号、修改原因、适用模型和工具 Schema 版本。线上每次运行都记录实际使用的版本，不能只记录“当前最新版”。 修改前建立基线，使用相同评测集比较任务成功率、工具误用、越权行为、耗时和费用。既测本次想改善的问题，也保留关键旧场景，防止修好 A 却破坏 B。 对模型输出有波动的任务重复运行，比较总体分布，不凭一次示例判断。高风险规则用确定性的检查器验证，表达质量再结合人工评审。  上线可先小比例放量，并保留快速回滚入口。若同时修改模型、提示词和工具，很难判断效果来自哪里；能拆开就分别验证，必须一起修改时则以完整配置作为一个发布版本。