Тестовый набор (eval set)

Eval set — набор представительных примеров с ожидаемым результатом, на котором ты прогоняешь систему перед каждым изменением. Без него улучшение промпта — гадание: починил один случай, тихо сломал пять. Как собрать: возьми реальные (или близкие к реальным) входы, покрывающие типовые и краевые случаи; зафиксируй для них правильный или приемлемый ответ; прогоняй весь набор до и после каждой правки и сравнивай долю прохождения. Даже 20-50 хороших примеров радикально меняют разработку — видно регрессии. Правило: без набора для оценки ты не улучшаешь систему, а лишь двигаешь ошибки с места на место.