同一个提示词发两遍拿到不同回答，先别急着判定工具出问题，也别急着怀疑自己少写了条件。可查的原因通常是三类：两次实际发出去的输入并不完全一致、会话里还残留着上一轮内容、生成过程本身带随机性。这三类的排查方式完全不同，混在一起就只能得到「不稳定」这种没法行动的结论。按下面顺序逐层排除，多数情况能定位到具体一层。

建议先做一次逐字比对：把两轮提问和仍然生效的历史消息都抄下来，确认输入是否真的一致；再分别在新会话和原会话各重发一次，看差异是否跟着上下文走；最后把差异分成事实、结构、措辞三类。事实和关键数字不一致，值得回到输入层补约束；只有措辞不同，通常可以直接收工，不必反复重发。

把两次请求的完整输入逐字抄下来比对

先解决「是不是同一个输入」这个前置问题。模型看到的内容不只是输入框里那一行字，通常还包括仍然生效的历史消息、系统提示或自定义指令、附件的解析结果，以及温度、top_p、最大输出长度这类参数。抄录范围建议覆盖下面几项。

• 本轮提问原文，含标点、空格、换行、中英文混排、末尾有没有多敲一次回车。
• 仍然生效的历史消息条数，以及最早那条是否被截断。
• 系统提示或自定义指令，两次之间是否动过。
• 参数：temperature、top_p、max_tokens、是否开启流式输出。

常见漏项集中在几处：第二次顺手补了一句「再简洁点」；标点被替换，中文冒号改成英文冒号、问号改成句号；条件顺序被调换，从「先给结论再举例」变成「举例后给结论」；从别处复制时带进了不可见字符或多余空行。这些差异在肉眼扫读时很容易被跳过。

建议用纯文本模板把两次请求并排记录，差异位置直接标出来：

【第 1 次】
本轮提问：（逐字粘贴）
历史消息条数：
系统提示 / 自定义指令：
参数：temperature= / top_p= / max_tokens=

【第 2 次】
本轮提问：（逐字粘贴）
历史消息条数：
系统提示 / 自定义指令：
参数：temperature= / top_p= / max_tokens=

比对结果：□ 完全一致  □ 有差异，差异位置：

如果并排后能直接看出差异，第二次输出不同就有了明确解释，不必继续往下猜。如果记录显示两次完全一致，再进入下一步查上下文。

检查会话里是否还挂着上一轮内容

输入一字不差、输出仍然不同，下一步查上下文残留。多数对话页面会把同一会话里的历史消息一并发送，历史越长，对当前回答的牵引越明显。同一句提问放在空会话里和放在聊了十轮的会话里，本来就是两个不同的输入。

对比步骤可以固定成三步：新开一个会话，只发这一句提问，把输出完整存下来；回到原会话，在原来的位置再发一次同一句提问，同样完整存下来；两次结果并排看，差异是集中在开头、结尾，还是整体跑偏。

判断历史消息是否被带进去，看页面这几个位置：会话上方的上下文提示或已用长度指示是否随消息增多而上涨；历史气泡显示为仍然参与对话，还是已被删除；会话里是否还挂着上一轮上传的文件或粘贴的长文本，附件内容有时会被持续引用；设置页里是否存在跨会话生效的记忆或自定义指令开关，这类开关通常独立于当前会话。

如果新会话的结果明显更贴近要求，而原会话持续跑偏，问题就在上下文，不在模型本身。此时建议新开会话重发，或把必要的背景压缩成一段明确说明再发，而不是在同一会话里反复追问。

看差异集中在事实、结构还是措辞

把两次输出并排后逐句标出差异点，再归入三类。分类的目的是决定还要不要再发一次，而不是给波动起个名字。

• 事实类：可核查的信息发生变化。判定标准是能被外部资料或你手上的数据验证。例子：同一个问题的年份从 2019 变成 2021；同一批数据的合计值两次不同。
• 结构类：信息没变，组织方式变了。判定标准是段落顺序、条目数量、层级、优先级发生变化。例子：第一次先给结论后列理由，第二次先铺理由再收结论；同一份清单从五条变成三条。
• 措辞类：意思等价，只是用词和句式不同。判定标准是替换同义词后语义不变。例子：「建议先确认输入」和「最好先核对一下输入内容」。

三类里事实类差异最值得处理，通常说明提示词缺少约束，模型在没有依据的位置做了填补。结构类差异可以通过规定输出格式收窄。措辞类差异基本属于正常范围，继续重发也很难收敛到完全一致，除非把措辞要求本身写成硬约束。

能控制的只有输入：把要求写成可核对的条件

把模糊期待改成可以逐条检查的条件。改写时用可量化的词替换程度副词，用明确的格式替换风格形容词。

原：写得好一点，专业一些
改：不超过 300 字；每段只讲一个观点；不堆形容词；不使用感叹句

原：帮我总结一下这段内容
改：输出 5 条要点，每条不超过 30 字；先列要点，再补一句总体判断

原：详细分析这个问题
改：分三部分输出：已知事实、不确定项、建议动作；不确定项须说明缺少哪些信息

原：尽量准确
改：涉及的年份、数量、名称须与给定材料一致；材料中没有的内容写「材料未提及」

原：按上面的格式再来一份
改：沿用上一轮的条目数量和层级，只替换内容

改写后做一次自检：把输出要求逐条对照回答，能直接打勾的是可核对条件，需要主观判断的说明还没写清。条件写得越具体，两次输出在事实和结构上越容易对齐。

定下自己的接受标准：哪种差异可以忽略

没有接受标准，重试就会一直继续，因为随便两段文字都能找出不同。开始使用前先定一条收工线，例如下列几种，任选一种固定下来即可。

• 事实与关键数字一致、结构骨架一致，措辞不同不再重发。
• 重发最多一次；第二次仍只在措辞上有差异，直接采用第一版并手工微调。
• 两次在事实层面就不一致时不再重试，回到输入层补约束，或要求标注「缺少依据」。

两点边界需要说明：采样带随机性是常态，temperature 等参数越高，措辞和结构层面的波动越明显；把参数调到更确定的区间可以让输出更接近，但通常也会让回答变得模板化，是否值得需要结合具体场景确认。真正需要稳定的是事实与结构，措辞层面的完全一致一般不是必要条件。