本文介绍了一种基于Prompt的AB实验自动化推理系统，通过LLM和分层决策，提高实验评估效率和准确性，优化产品迭代。
原文标题：生产级Prompt自动化推理评估A/B实验结果的工程实践
原文作者：阿里云开发者
冷月清谈：
怜星夜思：
2、文章中提到利用Bad Case进行Prompt迭代优化，你觉得这种方法在其他AI应用场景中是否也适用？为什么？
3、文章中提到deepseek-r1模型更适合执行推理逻辑，那么在选择大语言模型时，除了推理能力，你还会考虑哪些因素？
原文内容
一、前言
在互联网流量竞争白热化的时代，A/B实验已成为产品迭代的标准决策工具。当实验数量从数十增长到数百甚至数千数万时，传统的人工巡检模式遭遇瓶颈：需要专业的同学每日投入4-6小时逐个检视实验数据，判断其上线或下线；即使如此，由于时间压力和注意力限制，误判率依然居高不下。
上述问题在我的大模型策略调优项目中变得尤为突出。
在策略调优试运行场景中，每日新增实验数量远超下线实验，导致在线策略数量持续膨胀——这直接影响了打包留白实验的整体效果评估，降低了快速迭代的能力。
传统解决方案存在三大局限：
1.人工巡检的低效性：依赖个人经验，容易疲劳决策，无法扩展到数百个实验；
2.规则引擎的僵化性：基于正则表达式的阈值判断，无法理解复杂的数据趋势和业务上下文；
3.统计方法的片面性：仅依赖p-value或绝对收益，忽视了小样本数据（1-7天）的波动特征；
针对这些痛点，我设计并部署了一套生产级Prompt自动化推理系统，基于大语言模型的推理能力，结合AB实验领域的专业知识，实现了高效、准确、可解释的实验评估流程。
|
卡片生命状态 |
图片展示 |
|
自动同步 实验数据 （开始状态） |
|
|
自动同步 实验数据 （完成状态） |
|
|
自动实验结果推理 （开始状态） |
|
|
自动实验结果推理 （进行状态） |
|
|
自动实验结果推理 （结束状态） |
|
试运行成果（运行1周）：
1.策略下线数从300+降至100+（下线准确率68%）
2.打包留白实验关键指标从每日负向，扭转为稳定正向趋势
3.人工巡检耗时从6小时/天降至30分钟/天
从留白实验的整体观测来看
端视角
行业视角
本文将详细介绍：
生产级Prompt的设计与优化，包括决策逻辑、真实bad cases分析，以及从68%迈向更高准确率的改进思路。
二、系统背景与业务痛点
2.1 竞价策略的实验困境
行业策略调优项目处于0-1建设阶段。与传统的灰度实验不同，这里的核心模式是：
大模型日均生产N人群策略 → 快速上线（无灰度） → T+2产出数据 → 人工巡检负向策略 → 快速下线
2.2 打包留白实验的困境
单个策略的效果可能很小（如DAU变化0.1%-0.5%），但当多个策略合并时，其累积效应会更加明显。
这就是"打包留白实验"的价值：
-
将若干相同类型的策略合并成一个大实验；
-
用统一的对照组来评估这些策略的整体增益；
-
如果打包效果不好，则逐个下线策略进行诊断；
但现状是：
打包留白实验的关键指标（比如整体DAU相对变化率）每日都在负向或负向置信来回波动
这意味着整个打包的策略组合可能真的在伤害用户增长。
但单个策略看起来都还不错，矛盾之处在哪？
根本原因：包裹中混入了大量"负向策略"
策略可能的类型一般来说就这几个：
-
第1-2天看起来正向，但从第3天开始持续衰减；
-
早期有幸运的正向波动，但整体累积收益为负；
-
看起来有反弹，但反弹不足以抵消之前的损失；
这些"灰色地带"策略，人工判断时最容易出现分歧。
如果能准确识别并快速下线这些策略，打包留白的整体效果就会好转。
2.3 现有方案的局限性
大语言模型的优势：
相比以上方案，基于LLM的Prompt推理具有独特的能力：
-
理解上下文：可以同时考虑流量波动、绝对收益、趋势变化等多个维度；
-
灵活的决策路径：不是简单的AND/OR逻辑，而是能理解"虽然有一天下跌，但随后反弹了，所以不是趋势恶化"这样的复杂推理；
-
可解释的输出：每个决策都附带易懂的原因说明，便于产研同学二次确认和持续优化；
-
快速迭代：通过Prompt调整可以快速改进，无需重新训练模型。
三、主Prompt展示<适当脱敏版>
完整prompt
## Profile：
- Language: 中文
- Description: 资深用户增长数据分析师，专注AB实验效果评估，精通流量归一化处理、多维度趋势建模及统计显著性解读，能基于1-7天实验数据输出客观、可落地的业务决策建议，严格遵循工程化输出规范
## Skills:
1. 精通AB实验核心指标分析（DAU相对变化率、绝对变化量、流量比例），熟练处理实验组/留白组数据差异
2. 掌握科学流量归一化技术，当实验组与留白组流量比例差异>5%时，自动计算千人DAU变化量（dauAbsoluteChange/(experimentTrafficRatio/1000)）进行标准化
3. 擅长多维度趋势诊断：识别持续负向、负向转正、正向衰减、高波动等模式，结合移动平均和标准差量化趋势稳定性
4. 具备小样本决策能力（1-7天数据），综合绝对收益与相对变化进行业务价值评估，严格区分统计显著性与实际业务价值
5. 严格生成无杂质JSON输出，确保字段类型精确（boolean/string），符合RFC8259标准及Java反序列化要求
## Goals:
1. 基于1-7天实验数据精准输出isRecommendOffline(boolean)，判断实验是否应下线
2. 生成recommendation字段（≤200字符），用通俗易懂的日常语言描述决策原因，包含具体数据支撑（如损失用户数、天数等），避免专业术语
3. 确保输出为纯净JSON对象，无任何额外字符、换行或解释性内容
4. 综合流量归一化、趋势稳定性、绝对收益阈值三维度，避免片面结论
5. 识别数据风险信号（如波动异常、趋势逆转失败），提供可操作建议
6. 历史实验天数小于3天时，表达"数据量不足，建议延长实验"
## Constrains:
1. 输出必须为有效JSON对象，仅包含isRecommendOffline(boolean)和recommendation(string)两个字段
2. isRecommendOffline字段值限定为true/false，禁止字符串表示布尔值
3. 流量归一化强制规则：当|experimentTrafficRatio - controlTrafficRatio|/controlTrafficRatio > 5%时，必须使用千人DAU变化量进行决策
4. 决策逻辑优先级（必须依序判断，触发即执行）：
**优先级0-数据不足**：
- 若天数 < 3 → isRecommendOffline=false，recommendation="数据量不足，建议延长实验"
**优先级1-连续负向（最严格）**：
- 条件：连续≥3天全部负向（dauRelativeChangePct ≤ 0%）且最后一天仍≤0%且最后2天无正向
- 触发 → isRecommendOffline=true
**优先级2-趋势恶化**：
- 条件：最后2天连续负向且最后一天绝对变化量<倒数第二天（如-20,-35）且不存在"倒数第二天负→最后一天正"反弹
- 触发 → isRecommendOffline=true
**优先级3-负向转正失败**：
- 条件：出现过负向后，最后2天中≥1天仍≤0%且无连续2天相对增长>0.3%
- 触发 → isRecommendOffline=true
**优先级4-正向衰减（禁止误触）**：
- 前置：连续≥3天正向
- 衰减检查：末日千人DAU < 历史峰值50%
- 排除场景：
* ✗ 累积绝对收益 > 0（Case3：连续正向但绝对值递减，总体+149人）
* ✗ 连续正向天数≥2且累积绝对值 > 单日最大负向绝对值的3倍
- 触发 → isRecommendOffline=true仅在"持续衰减且无总体收益"
**优先级5-高波动（需排除正向波动）**：
- 前置：3天内相对变化标准差 > 15%
- 波动检查：最后2天趋势矛盾（一正一负）
- 收益检查：累积绝对变化量 ≤ 0
- 排除场景：
* ✗ 存在"负向→正向"单日反弹（Case2：-65→+48，视为正常调整）
* ✗ 最后2天都正向且绝对值递增
* ✗ 累积绝对收益 > 0（Case5：累计+316人）
- 触发 → isRecommendOffline=true
**优先级6-其他情况**：
- 除以上规则外 → isRecommendOffline=false
5. isSignificant字段仅作辅助参考，禁止作为主要决策依据
6. recommendation字段生成规范：
- 下线情况：明确说出触发原因+具体数据（如"最后2天连续减少，分别-20人和-35人，损失扩大"）
- 不下线情况：说出为什么不符合下线条件（如"虽然第3天-65人，但第4天+48人反弹，无法确认趋势恶化"或"4天累计+133人，波动不是下线理由"）
- 禁用词：千人DAU、标准差、相对变化率、效果不稳、可能失败等专业/主观术语
- 时间表述：用"最早/中间/最近"或日期，禁止"第n天"
7. 输出必须可直接被Java JSON库解析，无转义字符或格式错误
## Workflow:
1. **数据验证**：确认输入为1-7个元素的JSON数组，每个元素包含dt/dauRelativeChangePct/dauAbsoluteChange/experimentTrafficRatio/controlTrafficRatio/isSignificant六个必填字段
2. **数据预处理**：
- 解析dauRelativeChangePct（去除%转浮点）、dauAbsoluteChange（转整数）
- 计算流量差异率 = |experimentTrafficRatio - controlTrafficRatio| / controlTrafficRatio
- 需要归一化时：千人DAU = dauAbsoluteChange / (experimentTrafficRatio / 1000)
3. **关键指标计算**：
- 累积绝对收益 = Σ dauAbsoluteChange
- 负向天数 = COUNT(dauRelativeChangePct ≤ 0%)
- 正向天数 = COUNT(dauRelativeChangePct > 0%)
- 最长连续负向段长度、最长连续正向段长度
- 最后2天趋势（是否存在反弹：负→正或下跌：正→负）
- 3天窗口相对变化标准差
- 绝对变化MAX/MIN及峰值
4. **规则判断执行**（顺序如下）：
----------
IF 天数 < 3:
RETURN false + "数据量不足，建议延长实验"
IF 最长连续负向天数 ≥ 3 AND 最后一天 ≤ 0% AND 最后2天无正向:
RETURN true + "连续X天用户减少，最后仍未好转，建议停止实验"
IF 最后2天都≤0% AND |最后一天| > |倒数第二天| AND NOT(倒数第二天负→最后一天正):
RETURN true + "最近两天用户持续减少，最后一天损失更大（具体数值），趋势恶化，建议停止"
IF 出现过≤0% AND 最后2天≥1天≤0% AND NOT(连续2天>0.3%):
RETURN true + "虽然出现过增长，但最近未能持续，最后X天中Y天用户减少，建议停止"
IF 最长连续正向段≥3 AND 末日千人DAU < 历史峰值50%:
IF 累积绝对收益 > 0 OR (连续正向≥2 AND 累积绝对值 > 单日最大负向×3):
RETURN false + "连续X天增长，虽有衰减但累计增加Y人，总体向好，继续观察"
ELSE:
RETURN true + "连续增长但增幅持续下降，末日增长量不足历史峰值50%，效果衰减，建议停止"
IF 标准差>15% AND 最后2天矛盾 AND 累积绝对收益≤0 AND NOT(单日反弹) AND NOT(最后2天都正向递增):
RETURN true + "实验数据波动剧烈（最多增X人，最多减Y人），无稳定正向趋势，建议停止"
DEFAULT:
RETURN false + [根据情况生成observation]
----------
5. **Recommendation生成逻辑**（不下线case）：
- 单日反弹case（如Case2）："{前日期}下跌X人，但{最近日期}反弹Y人，无法确认趋势恶化，建议继续观察"
- 正向累积case（如Case5）："{总天数}天累计增加X人，虽有波动但整体正向，继续观察"
- 存在波动但无理由case（如Case1,4）："{总天数}天内存在波动，无持续负向或衰减趋势，继续观察"
## InputFormat:
```${input}```
- dt: 日期字符串 (e.g., "2025-12-08")
- dauRelativeChangePct: 相对变化百分比字符串 (e.g., "-0.54%")
- dauAbsoluteChange: 绝对变化整数值
- experimentTrafficRatio: 实验组流量人数整数值
- controlTrafficRatio: 留白组流量人数整数值
- isSignificant: 置信判断字符串 ("Y"/"N")
## OutputFormat:
{"isRecommendOffline": boolean, "recommendation": string}
## Examples:
例1（连续负向-下线）：
输入：[{"dt":"2025-12-01","dauRelativeChangePct":"-0.21%","dauAbsoluteChange":-5,...},{"dt":"2025-12-02","dauRelativeChangePct":"-0.33%","dauAbsoluteChange":-8,...},{"dt":"2025-12-03","dauRelativeChangePct":"-0.15%","dauAbsoluteChange":-4,...},{"dt":"2025-12-04","dauRelativeChangePct":"-0.08%","dauAbsoluteChange":-2,...},{"dt":"2025-12-05","dauRelativeChangePct":"-0.11%","dauAbsoluteChange":-3,...}]
输出：{"isRecommendOffline":true,"recommendation":"5天中有4天用户减少，最后仍未好转，共损失22人，建议停止实验"}
例2（单日反弹-继续观察）：
输入：[{"dt":"2025-12-01","dauRelativeChangePct":"0.11%","dauAbsoluteChange":11,...},{"dt":"2025-12-02","dauRelativeChangePct":"0.02%","dauAbsoluteChange":2,...},{"dt":"2025-12-03","dauRelativeChangePct":"-0.65%","dauAbsoluteChange":-65,...},{"dt":"2025-12-04","dauRelativeChangePct":"0.48%","dauAbsoluteChange":48,...}]
输出：{"isRecommendOffline":false,"recommendation":"虽然第3天下跌65人，但第4天反弹48人，无法确认趋势恶化，建议继续观察"}
例3（正向累积-继续观察）：
输入：[{"dt":"2025-12-01","dauRelativeChangePct":"-0.13%","dauAbsoluteChange":-13,...},{"dt":"2025-12-02","dauRelativeChangePct":"1.02%","dauAbsoluteChange":102,...},{"dt":"2025-12-03","dauRelativeChangePct":"0.35%","dauAbsoluteChange":35,...},{"dt":"2025-12-04","dauRelativeChangePct":"0.12%","dauAbsoluteChange":12,...}]
输出：{"isRecommendOffline":false,"recommendation":"4天中最后3天连续增长，累计增加136人（第2天102人贡献最大），整体向好，建议继续观察"}
例4（波动无理由-继续观察）：
输入：[{"dt":"2025-12-01","dauRelativeChangePct":"0.33%","dauAbsoluteChange":33,...},{"dt":"2025-12-02","dauRelativeChangePct":"-0.67%","dauAbsoluteChange":-67,...},{"dt":"2025-12-03","dauRelativeChangePct":"0.35%","dauAbsoluteChange":35,...},{"dt":"2025-12-04","dauRelativeChangePct":"0.34%","dauAbsoluteChange":34,...}]
输出：{"isRecommendOffline":false,"recommendation":"4天内存在波动（最多增33人，最多减67人），但无持续下跌趋势，整体变化不大，建议继续观察"}
例5（大幅正向波动-继续观察）：
输入：[{"dt":"2025-12-01","dauRelativeChangePct":"0.77%","dauAbsoluteChange":77,...},{"dt":"2025-12-02","dauRelativeChangePct":"0.81%","dauAbsoluteChange":81,...},{"dt":"2025-12-03","dauRelativeChangePct":"-0.47%","dauAbsoluteChange":-47,...}]
输出：{"isRecommendOffline":false,"recommendation":"xxxx,大幅正向波动, 建议继续观察"}
四、六层优先级决策树
在设计Prompt 早期，犯了个错误：把所有决策规则一股脑堆上去。
结果很快就崩了——当一个实验同时满足“连续负向”和“正向衰减”两个特征时，系统根本不知道该听谁的，输出前后打架，甚至自相矛盾。比较麻烦的是，有些规则本身就有逻辑冲突。比如这条：“高波动且无正向趋势 → 下线”。如果不加任何限制条件，它会把“先负向、后反弹”这种正常的策略调整过程，也当成高风险波动直接干掉。
痛定思痛，引入了优先级分层机制。思路来自医学诊断里的“三角验证”和安全领域的“纵深防御”：不是所有规则平权，而是按风险严重程度分层决策。最终我把整个判断逻辑拆成 6 个优先级（0–6），每一层对应一类典型风险场景。优先级越高，触发条件越严，下线决策的置信度也越高。
4.1 关键设计
决策分层6个层级，大的设计原则如下：
-
P0–P3：高危信号，一旦命中，直接下线，不等验证；
-
P4–P5：中等风险，触发前必须通过若干排除规则（exclusion rules）过滤干扰；
-
P6：兜底逻辑，前面都不匹配时才走这条路。
这套分层之后，规则不再打架，大模型的输出行为相对稳定，基本满足自动化决策的准确率需求。
提示词节选
prompt规则节选
4. 决策逻辑优先级（必须依序判断，触发即执行）：优先级0-数据不足：
- 若天数 < 3 → isRecommendOffline=false，recommendation=“数据量不足，建议延长实验”优先级1-连续负向（最严格）：
- 条件：连续≥3天全部负向（dauRelativeChangePct ≤ 0%）且最后一天仍≤0%且最后2天无正向
- 触发 → isRecommendOffline=true优先级2-趋势恶化：
- 条件：最后2天连续负向且最后一天绝对变化量<倒数第二天（如-20,-35）且不存在"倒数第二天负→最后一天正"反弹
- 触发 → isRecommendOffline=true优先级3-负向转正失败：
- 条件：出现过负向后，最后2天中≥1天仍≤0%且无连续2天相对增长>0.3%
- 触发 → isRecommendOffline=true优先级4-正向衰减（禁止误触）：
- 前置：连续≥3天正向
- 衰减检查：末日千人DAU < 历史峰值50%
- 排除场景：
* ✗ 累积绝对收益 > 0（Case3：连续正向但绝对值递减，总体+149人）
* ✗ 连续正向天数≥2且累积绝对值 > 单日最大负向绝对值的3倍
- 触发 → isRecommendOffline=true仅在"持续衰减且无总体收益"优先级5-高波动（需排除正向波动）：
- 前置：3天内相对变化标准差 > 15%
- 波动检查：最后2天趋势矛盾（一正一负）
- 收益检查：累积绝对变化量 ≤ 0
- 排除场景：
* ✗ 存在"负向→正向"单日反弹（Case2：-65→+48，视为正常调整）
* ✗ 最后2天都正向且绝对值递增
* ✗ 累积绝对收益 > 0（Case5：累计+316人）
- 触发 → isRecommendOffline=true
优先级6-其他情况：
- 除以上规则外 → isRecommendOffline=false
决策树图例说明
输入：7日内的实验数据
│
↓
┌────────────────────────────┐
│ 优先级0：数据验证 │
│ 天数 < 3? │
└────┬───────────────────────┘
│
YES │ NO
↓ │ ↓
[HOLD] │ ┌────────────────────────────┐
│ │ 优先级1：连续负向（严格） │
│ │ 连续≥3天都≤0%? │
│ │ 最后一天≤0%? │
│ │ 最后2天无正向? │
│ └────┬──────────────────────┘
│ │
│ YES │ NO
│ ↓ │ ↓
│ [DOWN] │ ┌──────────────────────────┐
│ │ │ 优先级2：趋势恶化 │
│ │ │ 最后2天都≤0%? │
│ │ │ |末日| > |倒数第二天|? │
│ │ │ 无反弹信号? │
│ │ └────┬─────────────────────┘
│ │ │
│ │ YES │ NO
│ │ ↓ │ ↓
│ │ [DOWN] │ ┌────────────────────────┐
│ │ │ │ 优先级3：负向转正失败 │
│ │ │ │ 历史有≤0%? │
│ │ │ │ 最后2天≥1天≤0%? │
│ │ │ │ 反弹太弱(<0.3%)? │
│ │ │ └────┬─────────────────────┘
│ │ │ │
│ │ │ YES │ NO
│ │ │ ↓ │ ↓
│ │ │ [DOWN] │ ┌───────────────────────────┐
│ │ │ │ │ 全局收益检查 │
│ │ │ │ │ 累积收益 > 0? │
│ │ │ │ └────┬──────────────────────┘
│ │ │ │ │
│ │ │ │ YES │ NO
│ │ │ │ ↓ │ ↓
│ │ │ │ [HOLD] │ ┌──────────────────────────┐
│ │ │ │ │ │ 优先级4：正向衰减 │
│ │ │ │ │ │ 连续≥3天正向? │
│ │ │ │ │ │ 末日 < 峰值50%? │
│ │ │ │ │ └────┬─────────────────────┘
│ │ │ │ │ │
│ │ │ │ │ YES │ NO
│ │ │ │ │ ↓ │ ↓
│ │ │ │ │ [DOWN] │ ┌──────────────────────┐
│ │ │ │ │ │ │ 优先级5：高波动 │
│ │ │ │ │ │ │ 标准差 > 15%? │
│ │ │ │ │ │ │ 最后2天矛盾? │
│ │ │ │ │ │ │ 累积≤0 & 无反弹? │
│ │ │ │ │ │ └────┬────────────────┘
│ │ │ │ │ │ │
│ │ │ │ │ │ YES │ NO
│ │ │ │ │ │ ↓ │ ↓
│ │ │ │ │ │ [DOWN] │ [HOLD]
│ │ │ │ │ │
└─────────┴─────────┴─────────┴─────────┴─────────┴─────────┘
↓
┌────────────────────┐
│ 输出JSON结果 │
│ isRecommendOffline │
│ recommendation │
└────────────────────┘
-
纵向的优先级关系：优先级0最高，往下递减；
-
横向的分支逻辑：每一级都有YES/NO的分支；
-
短路评估：一旦某个优先级的条件满足，就输出[DOWN]，不再继续向下评估；
-
全局检查的插入点：在优先级3之后，进行一次全局收益检查，可以"救"某些case；
这么复杂的提示词用什么模型？
deepseek-r1-0528、qwen3-max
为什么deepseek-r1？
1.推理能力强：能够处理多步骤的逻辑判断，不容易在中间步骤出错；
2.指令遵循性好：对Prompt中的细节要求（如伪代码定义、排除条件）执行得很到位；
3.输出格式稳定：生成的JSON格式错误率极低，便于下游系统解析；
4.公司环境部署友好。
deepseek-r1的推理流程：
用户输入Prompt + JSON数据
│
↓
┌─────────────────────────────────┐
│ 模型的"思考"阶段（内部推理） │
│ （这部分用户看不到） │
│ │
│ 1. 理解Profile和Constraints │
│ → 识别为"AB实验评估任务" │
│ │
│ 2. 执行Workflow第2步 │
│ → 解析JSON，排序，验证 │
│ → 生成"数据预处理报告" │
│ （中间状态，不输出） │
│ │
│ 3. 执行Workflow第3步 │
│ → 逐个计算关键指标 │
│ → 最长连续负向段 = ? │
│ → 累积绝对收益 = ? │
│ → 标准差 = ? │
│ │
│ 4. 执行Workflow第4步 │
│ → 按优先级顺序判断 │
│ → 优先级0: 数据足吗? → 否 │
│ → 优先级1: 连续负向? → 否 │
│ → 优先级2: 趋势恶化? → 是! │
│ → 触发下线规则 │
│ │
│ 5. 执行Workflow第5步 │
│ → 根据下线原因，生成文本说明 │
│ → "最近两天..."（具体数据） │
│ │
└─────────────────────────────────┘
│
↓
┌─────────────────────────────────┐
│ 模型输出阶段 │
│ （用户可以看到） │
│ │
│ 生成最终JSON： │
│ { │
│ "isRecommendOffline": true, │
│ "recommendation": "..." │
│ } │
│ │
└─────────────────────────────────┘
4.2 每层详细说明
L0：数据不足的保守决策
IF 实验天数 < 3:
RETURN isRecommendOffline = false
recommendation = "数据量不足，建议延长实验"
为什么这是优先级最高的检查？
在AB实验领域，有个经验法则叫做"最少检测样本量"（Minimum Detectable Effect）。
即使你的实验设计再科学，如果运行时间太短，样本量就不足以达到统计显著性。更重要的是，少于3天的数据极容易被单日噪声污染：比如某地网络抖动、服务端瞬时故障、或是某个 Push 消息撞上了突发公共事件。
我有时候急着下线表现差的策略，但在实际 Push 场景里，过早下线的代价，远高于多等一天的成本。宁可保守一点，也要看到完整的3天数据周期。
举个真实例子：有个民生服务推送策略，第1天 DAU 变化是 -2.5%，看起来尚可；第2天突然跌到 -8%，如果当时自动化系统只看前两天数据，很可能直接触发下线。但实际上，第3到第7天数据逐步回升至 -1.5%，后来几天该策略最终稳定在 +2% 的正向收益。
要是第2天就干掉了它，我们就错杀了一个优质策略。
L1：连续负向—最严格的下线信号
IF 最长连续负向天数 ≥ 3
AND 最后一天 ≤ 0%
AND 最后2天中无正向日:
RETURN isRecommendOffline = true
recommendation = "连续X天用户减少，最后仍未好转，共损失Y人，建议停止实验"
逻辑解释：捕捉的是最坏的情况：实验组的DAU相对于对照组持续下滑，没有任何反弹迹象：
1.不是随机波动：如果只是一两天的波动，我们可以归咎于噪声。但连续3天都是负向，统计上几乎不可能是巧合（在均匀分布假设下，这个概率是12.5%）
2.趋势没有逆转：最后两天仍然没有正向，说明问题在持续恶化，而不是即将反弹
3.业务价值明确：我们累积了实际的用户损失（绝对值），持续运行这个策略只会继续亏损
为什么要求"最后2天无正向"而不是"最后一天无正向"？
关键细节：原始规则只要求"最后一天≤0%"，但在实际运行中我发现，即使连续3天都负向，只要最后一天有轻微反弹（比如-0.1%→-0.05%）就倾向于继续观察，因为我认为"趋势正在改善"。所以条件需要设置为：不仅最后一天要≤0%，而且最后2天都不能有正向。这样就排除了"虽然还是负向但在快速好转"的case。
L2：趋势恶化—加速度负向
IF 最后2天都 ≤ 0%
AND |最后一天的绝对变化量| > |倒数第二天的绝对变化量|
AND NOT(倒数第二天负 → 最后一天正的反弹):
RETURN isRecommendOffline = true
recommendation = "最近两天用户持续减少，最后一天损失更大（-Xperson → -Yperson），趋势恶化，建议停止"
这条规则的真正价值，不在于抓“一直亏”，而在于抓“越亏越快”。优先级1原本设计用来识别“平缓负向”—比如每天稳定掉几十个 DAU。
但实践中我发现，更危险的是亏损在加速。举个例子：第6天：-20 人、第7天：-35 人
看起来都是负向，但趋势明显在恶化。这种情况下，每多跑一天，损失不是线性增加，而是加速扩大。但光看加速还不够，必须排除“假恶化”。所以我加了一个关键排除条件：NOT（倒数第二天负 → 最后一天正）。
为什么？因为在复盘 bad case 时反复看到一种模式：策略前六天表现疲软甚至微负，但第七天突然反弹。
这往往是因为 Push 触达延迟、用户行为滞后，或是外部事件扰动后的自然修复。如果这时候把它当成“加速恶化”干掉，就又错杀了。
最后说个细节：这里我用的是绝对变化量（损失多少人），而不是相对变化率（百分比）。原因很简单：在民生 Push 这类低频、高波动场景下，实验组某天流量可能因为调度或城市覆盖问题突然变少。这时哪怕只少了几百曝光，相对变化率也可能飙到 -30%、-50%，但实际用户损失可能就十几二十人。我看重的是真实用户的流失数量，不是被流量噪音放大的百分比。
L3：负向转正失败—虚假反弹的陷阱
IF 历史上出现过 ≤0% 的日期
AND 最后2天中 ≥1天 ≤0%
AND NOT(存在连续2天相对增长都 > 0.3%):
RETURN isRecommendOffline = true
recommendation = "虽然出现过增长，但最近未能持续，最后X天中Y天用户减少，建议停止"
这条规则源于一个反复踩坑的业务现象：有些策略上线头一天表现很差（比如 DAU -0.5%），但第2-3天数据看起来“好转”了（+0.2%、+0.3%），我个人会觉得策略有种黑盒的“自我修复”情况= =。但再往后看，第4-5天又掉回负向，甚至比最初还差。结果说明了这不是反弹，只是短期波动被误读成了趋势反转。
所以我在规则里卡死了一个条件：必须连续两天相对增长 > 0.3%。这不是拍脑袋定的。在我回溯之前的实验数据后发现：只要满足这个阈值，80% 的案例后续都能稳住正向；而那些“微弱反弹”（比如 -0.5% → +0.1% → -0.2%）几乎全部打回原形。
这也和优先级1形成明确区分：
-
P1（连续负向）：从第一天起就一路向下，毫无起色 → 策略方向可能根本错了；
-
P3（负向转正失败）：中间有过反弹尝试，但没撑住 → 调整方向对了，但力度不够，或者问题比预想复杂。
两者的处置逻辑也不同：
‒P1 直接下线，别浪费资源；
‒P3 值得复盘—有空需要研究的case
说到底，不是所有好转都值得相信，要看它能不能站稳。
L4：正向衰减—增益消失的信号
IF 最长连续正向天数 ≥ 3
AND 末日千人DAU < 历史峰值的50%
AND (累积绝对收益 ≤ 0 OR (连续正向 ≥2 AND 累积绝对值 ≤ 单日最大负向×3)):
RETURN isRecommendOffline = true
recommendation = "连续增长但增幅持续下降，末日增长量不足历史峰值50%，效果衰减，建议停止"
这是最容易触发false positive的规则，也是我在bad case中碰到最多的。
规则的核心逻辑：
一个策略早期表现很好（连续3天+2%, +1.8%, +1.5%），但到了后期，增长在快速衰减（+0.3%, +0.1%, -0.2%）。虽然技术上还有正向日期，但增长势能在丧失，这种"衰减"趋势本身就是一个下线信号。
"末日千人DAU < 历史峰值50%"是什么意思？
这需要结合流量归一化来理解。假设某策略的历史峰值是：
-
第2天：+102人（千人DAU：102 ÷ (实验流量比/1000) = 102 ÷ 0.1 = 1020人）
-
第7天：+8人（千人DAU：8 ÷ 0.1 = 80人）
那么末日千人DAU只有80，远低于峰值1020的50%（510人）。这说明策略的效能在快速衰退。
三个排除条件（Exclusion Rules）—非常重要：
这个规则之所以复杂，是因为在实际测试中发现了太多的false positive案例。
一个初看像"衰减"的策略，可能其实是：
1.累积收益为正：虽然最后几天增长微弱，但前几天赚的足够多，整体还是赚
-
例：[+102, +35, +12, +5, -3] = 累计+151人
-
即使末日衰减，这个策略整体价值是正的，不应该下线
2.持续多日正向且单日收益不小：虽然有衰减，但持续时间长，总收益足够大
-
例：[+50, +45, +40, +30, +20] 虽然衰减明显，但5天累计+185人，远超单日最大负向的3倍
-
这样的策略值得继续观察
3.短期波动而非趋势衰减：最后两天中如果有一天突然反弹，可能不是衰减而是波动
-
需要加额外检查：最后2天都正向且递增
这个规则后面我需要重新看待
因为"衰减"本质上是一个趋势判断而非绝对判断。两次看同样的数据可能得出不同的结论。
在一周的人工检查bad case库中，有30%的分歧都来自于这个规则。这也是为什么后续要设计"二次判断提示词"来专门处理这类边界case。
L5：高波动无趋势—噪声策略的识别
IF 3天滑窗内相对变化标准差 > 15%
AND 最后2天趋势矛盾（一正一负）
AND 累积绝对变化量 ≤ 0
AND NOT(存在"负向→正向"单日反弹)
AND NOT(最后2天都正向且绝对值递增)
AND NOT(累积绝对收益 > 0):
RETURN isRecommendOffline = true
recommendation = "实验数据波动剧烈（最多增X人，最多减Y人），无稳定正向趋势，建议停止"
一点点的创新：引入波动率（标准差）这个指标
前面的规则都是基于趋势（是否连续、是否衰减）或绝对收益。
但有一类策略最难判断：数据非常嘈杂，忽正忽负，没有明确的方向。
例如：
-
第1天：+0.5%（+50人）
-
第2天：-1.2%（-120人）
-
第3天：+0.8%（+80人）
-
第4天：-0.3%（-30人）
这类策略的问题不在于"一定在亏"，而在于无法预测。
如果上线这样的策略，永远不知道明天会是+还是-。对于平台的稳定性，这种不可控的波动比一个稳定的-0.1%还要危险。
标准差 > 15% 的含义：这是一个经验阈值。在我们的数据集中，如果相对变化率的标准差超过15%，就说明这个策略的表现不稳定。
四个排除条件：
1.存在"负向→正向"单日反弹
-
例：第1天-65%, 第2天+48%
-
这不是"无趋势"，而是正常的数据调整，我们应该继续观察
2.最后2天都正向且递增
-
例：第6天+0.5%, 第7天+0.8%
-
这说明趋势正在稳定为正向，是好信号
3.累积绝对收益 > 0
-
例如虽然波动，但总体赚了100人
-
波动不是下线理由
4.最后2天趋势一致
-
例：最后2天都正向或都负向
-
这说明有明确的趋势，不算"无趋势波动"
为什么这个规则最容易跟优先级1、2冲突？
因为所有的"连续负向"策略，从另一个角度看，也都是"有波动"的。
所以优先级顺序很关键——先判断是否触发优先级1-3，如果都没触发，才进入优先级5来判断波动。
这保证了"清晰的负向趋势"优先级高于"无趋势的波动"。
L6：兜底规则—继续观察
DEFAULT:
RETURN isRecommendOffline = false
recommendation = [根据实际情况的observation]
这包括：
-
存在正向日期且无明确负向趋势
-
单日波动但整体正向
-
数据不足但趋势向好
-
其他不确定的情况
在这种情况下，recommendation应该明确说出为什么不符合下线条件，而不仅仅说"继续观察"。
五、典型Bad Cases与Prompt优化
5.1 从Bad Case到Prompt改进的闭环
分析完3个代表性bad case后，我建立了一套系统的优化闭环，用来指导后续的30+个case的处理。
这个方法论本身也可能对其他做Prompt工程的团队有借鉴意义。
闭环的四个环节：
Bad Case采集
↓
根本原因分析 → 识别是"模型能力"问题还是"Prompt设计"问题
↓
针对性改进 → 修订Prompt逻辑、添加排除条件、或优化伪代码定义
↓
回归测试 → 在全量bad case集上验证修改不引入新的误判
↓
准确率提升验证 → 用历史全量数据集（已标注）重新运行，确保整体准确率有提升
5.2 Bad Case的意义：从68%到80%的关键
在实验结果自动巡检的第一周，收集了30+个bad cases。
这些都是系统判断与人工判断不一致的案例。初看起来，这些case似乎都是"模型理解错误"～
但深入分析后发现：大部分bad case实际上反映的是Prompt的逻辑漏洞，而非模型能力不足。
这次的发现改变了我对"准确率68%"的理解：这不是模型的问题，而是我对业务场景的建模还不够全面。
接下来分析的三个bad cases，都比较典型，都可以引出一个Prompt优化的方向。
5.3 Bad Cases分析
Case 1：日期未排序导致的逻辑混乱
原始输入数据（简化后）
1207: -67人（-0.67%）
1208: -35人（-0.35%）
1209: +34人（+0.34%）
1210: +45人（+0.45%）
系统错误输出：
"最近两天用户持续减少（最后一天比前一天多损失15人），趋势恶化，建议停止"
isRecommendOffline: true
人工正确判断：
数据明显是稳步上升的趋势。前两天是损失，但后两天已经反弹，
且反弹幅度（+34, +45）已经弥补了早期的损失。不应该下线。
问题根源分析：
这是一个灾难性的错误——系统把最后两天的+34和+45理解成了负向。追溯根源，有两个可能：
1.输入解析错误：系统在处理JSON时，可能没有严格按照日期顺序（dt字段）来排序数据，而是按照数组顺序处理
2.符号理解错误：系统混淆了正负号，把"-35"理解成了绝对值35，而在某个计算环节弄反了符号
从Prompt的角度看，我们在第一版本中缺少了"数据预处理与验证"的显式步骤。
Prompt优化方向：
在Workflow中加入了明确的数据预处理步骤：
## 优化后的Workflow第2步（数据预处理）：
数据预处理与验证：
- 步骤2.1：按dt字段升序排序所有记录
- 步骤2.2：逐条解析dauRelativeChangePct（移除%符号转为浮点数）
- 步骤2.3：验证dauAbsoluteChange的符号与dauRelativeChangePct一致
* 若不一致，输出警告：“数据校验异常，请检查输入”
- 步骤2.4：确认experimentTrafficRatio/controlTrafficRatio均为正整数
- 步骤2.5：计算流量差异率，如>5%则标记需要流量归一化
对LLM的具体要求：
在Prompt的Constraints部分加入了：
## 额外的验证Constraint：
强制数据校验：
- 在任何计算前，必须先按日期排序并验证符号一致性
- 生成一个"数据验证报告"作为中间步骤（不输出给用户），包含：
* 排序后的日期序列
* 每日的相对变化和绝对变化（明确标出+/- 符号）
* 是否需要流量归一化的判断结果
- 仅在验证通过后，再进入规则判断阶段
这个优化为什么有效？
因为显式地要求模型在每个关键步骤输出"中间验证结果"。
虽然最终输出仍然只是JSON（不包含中间步骤），但在推理过程中，这个验证步骤会让deepseek-r1的推理引擎多次检查数据的正确性。在实际测试中，这个优化将这类"日期混乱"导致的错误明显降低，具体频率需要后面加上归因逻辑再给出。
Case 2：符号误判与连续性判断的混淆
原始输入数据（简化后）
1207: +19人（+0.19%）
1208: -26人（-0.26%）
1209: -19人（-0.19%）
1210: +19人（+0.19%）
系统错误输出：
"连续3天用户减少（最后三天分别损失19人、7人、19人），
且最后一天仍在减少，建议停止实验"
isRecommendOffline: true
人工正确判断：
数据序列是：+ - - +
没有连续3天都是负向的。第2-3天虽然是负向，但只有2天。
第4天已经反弹到正向。不应该下线。
问题根源分析：
这是一个符号识别错误。大模型说的"最后三天分别损失19人、7人、19人"中：
-
"19人"对应1209的-19（理解对了）
-
"7人"对应什么？1208是-26，不是-7。可能系统计算了|-26| - |-19| = 7？
-
"19人"对应1210的+19？系统把正号理解成了负号？
这个错误非常离谱，但它反映了一个Prompt设计的漏洞：在规则判断中引用"最长连续负向天数"这个指标，但没有显式定义"连续"的含义。
具体来说：
-
什么叫"连续"？是数组中相邻的多个日期都满足条件？还是逻辑上相邻？
-
在计算"连续负向段"时，如果碰到了正向日期，是否应该重置计数器？
-
"连续3天"是指恰好3天，还是至少3天？
Prompt优化方向：
在关键指标计算部分加入了伪代码定义：
## 优化后的关键指标计算（第3步）：
- 关键指标计算（新增详细伪代码）：
3.1 连续负向段识别：
max_consecutive_negative = 0
current_consecutive = 0
for each day in sorted_days:
if day.dauRelativeChangePct <= 0%:
current_consecutive += 1
max_consecutive_negative = max(max_consecutive_negative, current_consecutive)
else: # 遇到正向日期，重置计数器
current_consecutive = 03.2 最后2天的趋势判断（新增明确定义）：
last_day_value = sorted_days[-1].dauRelativeChangePct
second_last_value = sorted_days[-2].dauRelativeChangePct
last_2_days_both_negative = (last_day_value <= 0%) AND (second_last_value <= 0%)
last_2_days_no_positive = NOT(last_day_value > 0% OR second_last_value > 0%)
注意：>= 0% 的定义是相对变化率 <= 0%，不包括恰好0%的边界情况3.3 累积绝对收益：
cumulative_absolute_change = SUM(all days’ dauAbsoluteChange)
严格的数值加法，保留符号
3.4 标准差计算（用于优先级5）：
if total_days >= 3:
relative_changes = [day.dauRelativeChangePct for each day]
std_dev = STDEV(relative_changes) # 使用样本标准差
is_high_volatility = (std_dev > 15%)
else:
is_high_volatility = false # 数据不足，无法判断波动
为什么这个优化这么重要？
deepseek-r1是推理模型，它在处理不明确的指标定义时，会倾向于做自己的"推理"而不是严格遵循Prompt。
通过用伪代码显式定义每个指标，可以消除了模型的"创意空间"，让它按照我的逻辑步骤走。
在优化后的测试中，这类"连续性误判"问题的case也变少了。
Case 3：累积收益与短期波动的权衡
原始输入数据（简化后）
1207: +4人（+0.04%）
1208: +20人（+0.20%）
1209: -45人（-0.45%）
1210: +28人（+0.28%）
系统错误输出：
"虽然出现过增长，但最近两天中有1天用户减少45人，建议停止实验"
isRecommendOffline: true
人工正确判断：
虽然第3天-45是个大坑，但第4天反弹到+28。
而且看整体：4天累计 4+20-45+28 = +7人。
虽然波动大，但整体还是赚的。而且最近的趋势（第4天）是正向的。
不应该下线。
问题根源分析：
这个错误很有意思。大模型的输出逻辑似乎是在执行优先级3的规则（"负向转正失败"），但判断条件设定得太宽松了。
系统的推理过程大概是：
1.发现历史上有正向日期（第1、2天）✓
2.发现最后2天中有负向（第3天的-45）✓
3.判断"反弹失败"→下线 ✗
但系统遗漏了优先级3中的一个关键排除条件：
AND NOT(存在连续2天相对增长都 > 0.3%)
在这个case中，第2天是+0.20%，第3-4天是-0.45%和+0.28%。
最后两天并没有"连续2天都 > 0.3%"的反弹。但这不意味着应该下线！
更重要的是，系统应该综合考虑：
-
第3天虽然-45，但这可能是一个"极端事件"（比如某个小时的bug）
-
第4天立刻反弹了+28，说明系统在自我纠正
-
累积来看，4天总共赚了7人，即使波动大，也是正的
这个case引出了一个本质的业务设计问题：优先级规则是独立的吗？还是应该有一个全局的"综合权衡"步骤？
Prompt优化方向：
在规则判断前面加入了一个"全局收益快速检查"的环节：
## 优化后的规则判断执行（第4步前的新增步骤）：
3.9 全局收益检查（优先级0.5）：
IF 累积绝对收益 > 0:
# 即使后续触发某些规则，也要加额外的排除条件
set_flag: GLOBAL_POSITIVE = true
ELSE IF 累积绝对收益 < 0 AND |累积绝对收益| > 单日最大正向的2倍:
# 说明亏损非常明显，即使有小幅正向反弹也不足以救
set_flag: GLOBAL_NEGATIVE_SEVERE = true
ELSE:
set_flag: GLOBAL_NEUTRAL = true
然后在优先级3的判断中，加入这个全局标志：
优先级3规则修订：
IF 出现过≤0%
AND 最后2天≥1天≤0%
AND NOT(连续2天>0.3%)
AND GLOBAL_POSITIVE = false # <-- 新增排除条件
AND NOT(末日为正向且环比前日增长): # <-- 新增排除条件
RETURN true
最后一个排除条件"末日为正向且环比前日增长"捕捉的就是case 3这样的场景：虽然中间有大幅下跌，但最后一天反弹且是正向，说明趋势在好转。这个优化的效果：在包含case 3类似场景的测试集中，这类case的确出现的少了很多。这说明全局收益的综合考虑非常关键。
六、Prompt工程核心经验与启示
6.1 生产级Prompt的五大原则
在这个项目中，我总结了设计生产级Prompt的五大核心原则。
这些原则不仅适用于AB实验评估，也适用于其他需要高准确率和可解释性的决策场景。
（不是标准原则哈hh，我个人总结的，大家按需）
显式优于隐式—消除模型的"创意空间"
问题场景：在最初的Prompt中，我们这样描述规则：
"如果实验数据连续负向，建议下线"
看起来很简洁，但问题是：什么叫"连续"？模型可能有多种理解：
-
理解A：相邻的多个日期都是负向
-
理解B：数组中连续出现的负向数据
-
理解C：在某个时间窗口内都是负向
不同的理解会导致不同的判断。
解决方案：用伪代码显式定义
优化后的描述：关键指标定义 - 最长连续负向天数
max_consecutive_negative = 0
current_consecutive = 0
for each day in sorted_days_by_date: # 必须按日期排序
if day.dauRelativeChangePct <= 0%:
current_consecutive += 1
max_consecutive_negative = max(max_consecutive_negative, current_consecutive)
else: # 遇到正向，重置计数
current_consecutive = 0
eturn max_consecutive_negative
这样就消除了模型的理解歧义。
deepseek-r1在看到明确的伪代码后，会严格按照步骤执行，而不是"自由发挥"。
为什么这对deepseek-r1特别有效？
deepseek-r1的设计理念是"忠实执行推理逻辑"。
当你给它伪代码时，它会：
1.理解伪代码的逻辑
2.按步骤执行
3.输出结果
4.不会试图"优化"或"改进"你的算法
这恰好是我想要的—在生产环境中，我需要的是稳定的、可预测的行为，而不是"聪明的"行为。
分层而非平铺—优先级保证秩序
问题场景：假设有10条规则，都放在同一个列表中：
Rule 1: IF 连续3天负向 → 下线 Rule 2: IF 趋势恶化 → 下线 Rule 3: IF 高波动 → 下线 Rule 4: IF 衰减 → 下线 ... Rule 10: ...
问题：当多条规则同时触发时怎么办？
规则之间有冲突怎么办？
哪个优先执行？
解决方案：引入优先级分层
我们将10条规则重新组织为6个优先级，形成一个决策树。关键特性：
1.优先级递减：优先级越高，规则越严格，下线的置信度越高
2.短路评估：一旦某个优先级触发，直接输出结果，不再继续向下
3.明确的"通过条件"：每一级都明确说出"什么时候可以继续到下一级"
IF 优先级0触发（数据不足）
→ 直接返回false，退出
ELIF 优先级1触发（连续负向）
→ 直接返回true，退出
ELIF 优先级2触发（趋势恶化）
→ 直接返回true，退出
...
ELSE
→ 返回false，继续观察
这个设计的优势：
-
避免了规则之间的冲突（因为一旦匹配就退出）
-
清晰的决策路径（便于调试和优化）
-
易于新增规则（直接加入新的优先级）
利用排除条件保障精准率
问题场景：在Bad Case分析中，发现一个现象："连续3天负向"这个规则虽然逻辑清晰，但容易误判的情况：
数据：Day 1:-0.1%, Day 2:-0.05%, Day 3:-0.02%, Day 4:+2.0%
系统判断：前3天都是负向 ✓ → 下线
人工判断：虽然前3天负，但最后一天反弹2%，说明策略在恢复，不应下线
解决方案：在规则触发前加入排除条件
优化后的优先级1规则：
IF 最长连续负向天数 ≥ 3
AND 最后一天 ≤ 0%
AND 最后2天中无正向 # <– 这是排除条件
RETURN true
ELSE
继续到下一优先级
通过排除条件"最后2天无正向"，我们防止了上面这个case的误判。
排除条件的设计原则：
1.基于业务常识：选择那些"虽然满足主规则，但业务上不应该下线"的场景
2.可量化：排除条件应该是能精确计算的，不能模糊
3.不要过度：太多排除条件会让规则变得复杂，难以维护
经验是：每个规则最多3-4个排除条件，超过这个数字就说明规则设计有问题。
全局检查比局部更重要
问题场景：一个策略的数据看起来符合"衰减"的特征，但整体上赚了1000人。按照单纯的"衰减规则"应该下线，但这样做就损失了一个好策略。
解决方案：在关键的规则判断前，加入"全局收益检查"
在优先级3之后、优先级4之前，插入：IF 累积绝对收益 > 0:
# 即使后续的规则可能触发，也先救这个case
# 标记为GLOBAL_POSITIVE = true
# 在优先级4-5的判断中，将其作为一个排除条件
这样保证了：有明确正收益的策略，不会因为短期衰减或波动就被下线
为什么叫"全局检查"？
因为它的视角不是"这一个规则是否适用"，而是"综合所有维度看，这个策略是否真的应该下线"。
这个检查的重要性在Bad Case分析中被充分验证了—它解决了30%的误判问题。
可解释性是长期迭代的基石
问题场景：
{
"isRecommendOffline": true,
"recommendation": "建议停止实验"
}
问题：产研同学看到这个输出，能知道原因吗？不能
他们会：
1.找数据自己看一遍
2.对比自己的判断
3.如果不一致就驳回
这样系统就没有起到决策支持的作用。
解决方案：recommendation中包含具体的数据支撑和理由
{
"isRecommendOffline": true,
"recommendation": "最近两天用户持续减少，第6天损失35人，第7天损失42人，趋势恶化幅度加大，建议停止实验"
}
现在产研同学可以：
1.快速验证：35人和42人确实对应第6、7天的数据吗？✓
2.理解逻辑：系统用的是"趋势恶化"这个信号
3.二次确认：这个信号在我们的业务场景中是否有效？
好的recommendation应该满足：
1.具体性：包含具体的日期、数字、指标
2.可验证性：产研可以快速验证recommendation中提到的数据
3.易理解：用"最近两天"代替"倒数第二天和最后一天"
4.有理由：说出"为什么"而不仅仅说"结论"
5.无专业术语：禁用"千人DAU、相对变化率、标准差"等
在我的Prompt中，recommendation的写法有一个专门的章节来规范：
## recommendation字段生成规范：下线情况（isRecommendOffline=true）：
格式：“{触发的规则简述} + {具体数据} + {建议}”
例：“最近2天连续减少，分别损失20人和35人，损失扩大，建议停止实验”
✓ 包含规则（连续减少）
✓ 包含数据（20人、35人）
✓ 包含趋势判断（损失扩大）
✓ 清晰的建议（停止实验）不下线情况（isRecommendOffline=false）：
格式：“{为什么不符合下线条件} + {正向信号}”
例：“虽然第3天下跌65人，但第4天反弹48人，无法确认趋势恶化，建议继续观察”
✓ 承认有负向信号（65人下跌）
✓ 指出反弹证据（48人反弹）
✓ 解释判断逻辑（无法确认趋势恶化）
✓ 建议行动（继续观察）
禁用词清单：
✗ 千人DAU、相对变化率、标准差 → 太专业
✗ 效果不稳、可能失败 → 太模糊
✗ 第n天 → 改用具体日期如"12月7日"
✗ 感觉、似乎、可能 → 太主观
6.2 Prompt迭代的系统方法论
科学地收集Bad Cases
不是所有的"系统判断与人工判断不一致"都值得分析。
我建立了一个Bad Case的收集标准：
什么算Bad Case？必需条件：
- 系统的判断（isRecommendOffline）与人工判断不同
- 已经有人工的"黄金标签"（Gold Label）来验证谁是对的
- 对于下线的策略：1周后是否真的有正向效果？
- 对于继续的策略：最后是否确实有好的结果？- 这个case涉及的数据质量是正常的（排除数据异常导致的case）
收集频率和方式：
- 每日自动对比系统输出和人工确认的结果
- 生成差异报告，筛选出真正的bad case
- 分类打标签（Category A/B/C）
- 汇总成Bad Case库，定期分析
案例标准化：
{“badcase_id”: “BC-001”,
“input”: […],
“system_output”: {…},
“human_judgment”: “false”,
“category”: “A1”,
“root_cause”: “日期排序混乱”,
“fix_applied”: “v1.1”,
“resolved”: “yes”}
根本原因分析（RCA）
收集到bad case后，不能直接就改Prompt。首先要理解"为什么会错"。
我用一个简单的RCA框架：
什么是RCA：根本原因分析（Root Cause Analysis，简称 RCA） 是一种系统化的问题排查与解决方法，旨在识别导致问题发生的最底层、最本质的原因，而非仅仅处理表面现象或直接诱因。
Level 1: 表面原因 → 系统判断的具体错误 Level 2: 直接原因 → Prompt中的哪个规则或计算出了问题 Level 3: 根本原因 → 为什么Prompt的设计在这里有漏洞
例如BC-001（日期排序混乱）：
Level 1: 系统把[1207:-67, 1208:-35, 1209:+34, 1210:+45]理解成了负向趋势
Level 2: 在计算"最长连续负向段"时，没有明确按日期排序
Level 3: Prompt的Workflow第2步（数据预处理）缺少"排序"这个环节
Fix: 在Workflow第2步中明确添加"按dt字段升序排序"
为什么要分三个层级？
因为如果只在Level 1上解决，你可能修修补补，但根本问题没解决。
而如果直接在Level 3上解决，就能一劳永逸。
针对性修复&事后集成测试
修复Prompt时，不能直接改原版本。
一般采用分支-修复-测试-合并的流程：
当前版本：v1.1（准确率72%） 发现bad case BC-009-012（连续性判断）
流程：
1. 创建分支版本：v1.1-fix-continuity
└─ 修改：优先级1的连续性定义
└─ 修改：添加排除条件
2. 在bad case集上测试：
├─ BC-009: 原来错，现在？ → 改对了 ✓
├─ BC-010: 原来错，现在？ → 改对了 ✓
├─ BC-011: 原来对，现在？ → 仍然对 ✓
└─ BC-012: 原来错，现在？ → 仍然错 ✗（需要进一步调查）
3. 在全量测试集上验证：
├─ 新版本准确率：73% （比v1.1的72%提升1%）
├─ 精准率：72% （与v1.1相同）
├─ 召回率：89% （从v1.1的85%提升4%）
└─ 结论：这个修改是正向的，可以merge
4. 合并回主线：
└─ v1.2-continuity 成为新的baseline
能看到这这里的小伙伴，辛苦你了。
帮你抛出内心的困惑，为什么要在三个层面上进行测试呢？
Test Level 1: Bad Case集 ├─ 快速反馈：5分钟能跑完 ├─ 精准定向：只验证与这个修改相关的case └─ 目标：修改应该修复目标case，不引入新错误Test Level 2: 全量训练集（500个历史case）
├─ 综合评估：确保修改不伤害其他case
├─ 关键指标：精准率、召回率、F1-Score
└─ 目标：整体准确率应该不下降
Test Level 3: 新增case（第4周Hold-out集）
├─ 真实验证：用从未见过的数据测试
├─ 防止过拟合：确保改进不是"死记硬背"
└─ 目标：在新数据上也有显著改进
定量跟踪改进效果
建立改进追踪表，清晰地记录每个修改的效果：
（不过不适合敏捷开发的同学，例如我，我也是简单的按照自己的需求进行记录，有QA的同学可以规范来）
Prompt版本演进与准确率变化：
版本 修改内容 影响的Rule Bad Case修复数 准确率 F1-Score 备注
─────────────────────────────────────────────────────────────────────────
v1.0 初版 - 0/30 68% 72% baseline
v1.1 +数据预处理强化 全局 8/30 (27%) 72% 75% Category A fix
v1.1-a +符号校验逻辑 Rule1-3 2/30 (7%) 73% 76% 增量修改
v1.2 +全局收益检查 Rule3-5 9/30 (30%) 77% 80% Category B fix
v1.2-b +衰减幅度量化 Rule4 5/30 (17%) 78% 81% 增量修改
v1.2-c +业务场景补充 全局 3/30 (10%) 79% 82% Category C fix
Target 目标版本 - - 80%+ 85%+ 预期2周内达成
这个表的作用：
1.追踪性：每个修改的影响都能量化跟踪
2.决策支持：优先修复影响范围大的case（BC修复数多的优先做）
3.动力保持：能清晰看到准确率在持续上升
4.知识沉淀：后续新人能快速理解演进历史
记录所有应对策略
在迭代过程中记录不同类型的修改。每种类型的复杂度和风险不同，方便沉淀经验与复盘：
修改类型 风险等级 实现难度 影响范围 推荐做法 ──────────────────────────────────────────────── 类型A：排除条件增加 低 简单 局部 直接修改，快速测试 类型B：规则阈值调整 中 简单 中等 需要在BC集和训练集上同时测试 类型C：新增优先级 高 复杂 全局 需要完整的三级测试，可能引入回归 类型D：指标重新定义 高 复杂 全局 需要充分的理论论证，谨慎实施
例如v1.2中的"全局收益检查"是类型D：
├─ 首先在1个bad case（BC-017）上验证有效
├─ 然后在Bad Case集（30个）上扩大验证
├─ 再在全量集上验证不伤害其他case
├─ 最后才在新数据上验证真实效果
└─ 整个过程耗时3天，但风险被很好地控制了
6.3 <关键>从Prompt工程学到的通用启示
除了AB实验评估这个具体场景，这个项目还带来了一些可迁移到其他领域的启示。
大模型适合"有明确规则但规则复杂"的任务
AB实验评估之所以适合，是因为：
-
输入输出都是结构化的JSON
-
规则虽然多（6层优先级），但每一层都很清晰
-
68-80%的准确率对于"建议"这个use case完全够用
-
规则需要频繁调整（每周都有新的bad case insights）
Prompt本质上是"知识的显式编码"
|
维度 |
传统编程（写代码） |
Prompt 编程 |
|
表达形式 |
|
|
|
可读性 |
仅程序员能准确理解逻辑 |
接近自然语言，产品经理、数据分析师等非技术人员也能理解与评审 |
|
协作效率 |
逻辑隐藏在代码中，跨角色沟通成本高 |
规则透明、语义清晰，便于多方对齐和迭代 |
Prompt工程实际上是在做"知识编码"：把人脑中的隐性规则，转化为模型能理解的显式规则。
在这个过程中：
-
产品 + 数据分析师的domain knowledge变成了Prompt的内容
-
工程师的工作是确保Prompt的逻辑清晰、可执行
-
反复的Bad Case分析，实际上是在"完善知识库"
这个思路也可以应用到：
-
内容审核规则
-
风险识别模型
-
推荐系统的候选池过滤
Bad Case的价值被严重低估
在很多 AI 项目里，Bad Case 被当作“失败”来掩盖。但在本次实践项目中，Bad Case 是最高效的反馈信号。
为什么 Bad Case 还挺好的？
|
暴露 Prompt 的认知盲区：本次项目的 Bad Case，最终归为三类根本问题： 1.对数据波动的理解偏差 2.规则边界定义模糊 3.缺乏业务上下文（比如民生 Push 的触达延迟特性） 每一个 Bad Case 都在告诉我：“好像又漏掉了什么 = =” |
|
驱动高 ROI 的迭代：基于 Bad Case 的定向优化，平均每次修改能带来 1–2% 的准确率提升；相比无目标地调参或重写 Prompt，效率高出 n 倍以上。 |
|
可被标准化处理：建立了一套闭环流程：分类 → RCA → 修复 → 验证 → 合入主干和写代码时候的修 bug 感觉类似，但更有意义的是把经验沉淀为可复用的工作范式。 |
|
构建领域知识库：每次修复 Bad Case，本质上是在给 Prompt “补课”对自己来说补的是对业务、数据和决策逻辑的理解。长期积累下来，这套 Prompt 不再只是规则集合，而是一个有上下文、有判断力的业务知识库。 |
七、展望
1.新增渠道，扩大自动化作业范围。毕竟量大才能看到效果。
2.持续优化prompt，更优秀的拆分逻辑，各司其职，按需动态拼接，分别保障最低粒度的结果。
3.继续沉淀大模型工程领域的学习，虽然咱区分开底层大模型算法，但是相信工程层面也能做出不一样的东西。