Prompt yang berhasil pada contohnya sendiri bisa gagal pada kasus baru. Pisahkan set evaluasi dari contoh yang dipakai untuk merevisi instruksi. Sertakan permintaan biasa, batas yang ambigu, teks sumber yang berbahaya, dan konteks yang hilang. Dalam pelajaran ini, Anda mewajibkan catatan kegagalan per kasus serta prompt dan fixture yang diberi versi. Tingkat kelulusan agregat dapat menyembunyikan sejumlah kecil tindakan yang tidak aman, jadi periksa kategori kegagalan sebelum merekomendasikan revisi. Asisten latihan ini deterministik; metodenya dapat diterapkan pada sistem probabilistik melalui evaluasi berulang yang terdokumentasi. Jangan menyebut sebuah skor sebagai kualitas produksi bila kasusnya tidak mewakili tugas yang ingin Anda deploy.
Artefak contoh yang sudah dikerjakan untuk tugas fiktif lain. Bandingkan tindakannya dengan kontrak.