团队想判断提示词修订是否改善了应用。哪种评测设计能提供最清晰的证据？

团队想判断提示词修订是否改善了应用。哪种评测设计能提供最清晰的证据？

1. 用同一组版本化案例、模型设置、评分标准与汇总方法测试新旧提示词
2. 同时修改提示词、模型、检索语料与评分标准，再比较一个汇总分数
3. 不记录输出，只询问提示词作者哪个版本感觉更好