回答要点
比较两种提问方法时，先固定任务与评分标准，再尽量只改变你要研究的那项写法。 一次生成的胜负，只能说明那次结果，不能代表长期表现。
完整解答
Sclar 等在多项少样本任务中发现，仅改变分隔符、空格、大小写等不改变语义的格式，也会明显影响部分模型的准确率，且不同模型的表现排序并不一致。研究 §3—4 因而，比较“加角色是否有用”时，如果角色版还多了背景、示例和详细要求，就无法把差异单独归因于角色。
至少应保持以下条件一致：
· 问题与材料：两种方法处理同一批案例、相同文件版本与资料范围。
· 模型与环境：尽量使用同一模型版本、工具权限及生成设置，记录测试日期；避免一边能搜索、一边不能。
· 上下文与投入：使用等价的对话背景，固定示例和输出要求。若比较方法效果，尽量匹配尝试次数或费用；若比较整套流程，则同时报告额外投入。
· 评价方式：提前确定事实正确、格式合规、可用性等标准，分别计分，不在看过结果后改规则。
可以先用一小批真实案例做配对试验，两种方法都回答每道题，并重复生成，记录成功数、主要错误和耗时。样本中要有常见情况和关键例外；挑出喜欢的最佳回答会掩盖失败频率。评写作时可隐藏方法名称并交换展示顺序，减少先入为主。
用同一批客服问题比较 A、B 提示。每题分别运行两种方法，资料和模型设置相同；按预先确定的事实正确、规则遵守、回复可用三项评分，保留全部结果及耗时，不只展示成功例子。
小规模试验适合发现明显差别，不必包装成统计定论。若差异接近波动、个别案例改变就翻转结论，应增加有代表性的案例；若效果相近，可以按更省时、易维护的方式选择。推广到新模型或新任务时，再做一次针对性的验证。