这个提示词用来做什么

想评估某个 Agent / 模型在真实任务上的水平，不满足于跑官方榜单，需要自己出题、自己定判分标准

提示词全文

帮我给 {要测的 Agent / 模型} 出一套能自己判分的小测。

## 先定清楚
要测的能力：{比如代码改动 / 多步检索 / 长文档问答 / 工具调用，挑一两个}
它在真实工作里长什么样：{一两句场景}
我手上有哪些能当标准答案的材料：{数据 / 参照结果 / 官方文档}

## 出题要求
1）出 8~12 道题，每题都给「标准答案或判定规则」，让我能客观判对错，而不是凭感觉打印象分。
2）难度分开：3~4 道基础、4~5 道需要多步推理、2~3 道容易踩坑（信息不全、有干扰项、指令里埋了陷阱）。
3）每题标注：考的是什么、坑有多大、怎么算分（全对才给分，还是部分给分）。
4）其中至少 2 道要能暴露「看着对、其实没核对事实」的毛病——比如给一个不存在的前提，看它会不会顺着往下编。
5）再给一份判分表模板，我跑完直接填。

最后提醒我：这套题只测了这几项能力，别拿它推出「它总体上聪明不聪明」的结论。

怎么用

  1. 把上面的提示词全文复制到对话窗口或工作流里。
  2. 把花括号占位符（如 {任务描述}）替换成你自己的内容。
  3. 条目越具体，产出越稳定；不需要的条目可以直接删掉。

输出示例

自测的价值在于判分标准是你自己定的、贴着你的真实任务；官方榜单测的是通用能力，答得好不代表它在你那件具体活儿上靠谱。留几道埋坑题，比多刷几道常规题更能看出它在没人盯着时会不会编。

基本信息

  • 分类：Agent
  • 标签：Agent · 评测 · 出题 · 可验证
  • 收录日期：2026-10-13

同类提示词