回答要点
把“像不像”与“对不对”分开评分。 语气、句式和结构属于模仿效果；事实、计算、适用条件和结论属于内容正确性。二者可以同时变好，也可以一项变好、另一项变差。
完整解答
Min 等的示例研究发现，模型可从示例的格式、输入分布和标签空间获益，而不完全依赖示例中的正确对应关系。因此，“它学会了这套输出样子”不足以证明“它掌握了正确规则”。这一结论来自分类和选择题实验，不能扩展成所有示例都只教格式。论文
Anthropic 的评估指南也将任务完成质量与语气风格分别列为评估维度，并建议用贴近实际用途的测试与明确标准比较版本。这是评估方法建议，不是某份提示词得到满分的证据。官方指南
例如客服回复可以分别检查：是否错误承诺退款、审核时长是否准确、是否漏掉申请条件，以及语气是否友善、结构是否符合要求。如果给了示例后更亲切，却多出一个未经确认的到账日期，应该记录为“风格改善，事实出错”，不能用一个总体印象掩盖问题。
评估这段回复：先逐项核对事实及承诺是否有材料依据，再评价语气与结构。请分别给出结果；文风接近示例不能抵消事实错误。
测试时，留一些没有放进提示词的新案例，同时包含常见情况和容易混淆的例外；其他设置保持相同，比较有无示例的多次结果。让 AI 辅助评分可以节省时间，但关键事实仍应对照原始材料，不能由它一句“完全正确”完成验收。
引用文献
1. Min 等（2022），Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?，EMNLP
2. Anthropic，Define success criteria and build evaluations，官方评估指南