Khuyen Tran 教你用重复实验排除 prompt 改动的分数噪声

Khuyen Tran 设计了一组重复运行实验，用来判断一次小的 prompt 修改是否带来统计上真实的改进。她指出结果变好可能只是噪声，分数波动可能来自 provider、托管端点或测试样本本身。全部源码已开源，供读者检查与复跑。