同一个问题换几种问法，Space Bunny 的回答会差得很远，这种时候很难判断是模型本身不稳定，还是每次输入其实并不一样。更稳的做法是先把输入固定下来：提示词原文、会话状态、发起时间三个条件不对齐，输出差异就没有可比性。可以先用同一段文本、同一会话条件、同一轮次各问一次，再去比对回答里的结论、步骤和示例，而不是凭印象判断“这次好像更聪明”。
做 Space Bunny 对比测试时，先把提示词原文、是否延续会话、提问时间三件事固定，才有资格比较输出。适用场景是同一问题反复问结果不一致、怀疑模型波动；操作上把提示词存成一份文本，同一问题分别在新会话和同一会话追问各取一次，完整保存回答和时间；验证方式是拿两份回答做文本对比，看结论、步骤数、是否给示例三项差异；边界是这只能说明输入条件不一致或上下文有影响，不能据此得出模型稳定性结论。
把提示词原文固定成一份可复用文本
每次重述问题，措辞、语序、附加条件都会变，这些变化本身就是变量。先把问题写成一段固定文本并保存下来，例如放进一个 prompt.txt，之后每次都从这份文件复制，而不是临时重打。
# prompt.txt
请说明：在本地开发环境里，如何判断一个 HTTP 接口是否返回了缓存命中。
要求：给出判断步骤；如果无法直接观察，请明确说明需要补充哪些信息。
不要展开无关背景。哪些词属于不该随手改的变量：任务动词（判断、解释、列出）、约束条件（只讲步骤、不要背景）、输出格式要求（分点还是段落）、以及问题里的范围词（本地、开发环境）。这些一旦改动，输出差异就不能归因于模型本身。可以先固定一个版本，需要测试变体时再单独另存一份，并在文件名里标注改了哪一处。
区分新会话与延续会话两种条件
上下文是否影响结果，要靠两种条件分开测。同一问题在新会话里问一次，再在同一会话里追问一次，尽量保持提问文本相同。
- 新会话：清空对话或新开一个会话窗口，只贴固定的提示词原文。
- 延续会话：在当前已有多轮对话的会话里，直接追问同一段文本，不作额外解释。
记录两次回答在结论和细节上的差别。重点看：结论是否一致、步骤数量是否变化、是否额外引入前文出现过的例子。如果两次回答的差异只出现在细节展开上，通常说明延续会话在补充上下文，而不是结论变了；如果结论本身冲突，就需要把两段回答都留下，进入后面的复测。
记录原始输出而不是只记印象
只凭印象记“这次更完整”，过几轮就复查不了。建议每次至少记录三项：提问时间、提问原文、完整回答。提问原文直接引用保存的那份文本，不要事后复述。
时间：
条件：新会话 / 延续会话
提问原文：
回答原文：保存方式上，截图适合保留页面当时的排版和上下文位置，但不变检索和文本对比；复制文本便于逐字比对和搜索，却可能丢掉换行或特殊格式。可以两者都留：截图作为现场凭证，复制的纯文本作为可比对版本，复制后随手确认换行是否完整。
用文本对比找出差异类型
把两份回答并排放进任意文本对比工具，或直接在编辑器里用差异高亮功能看。不要只看“谁更好”，先分类差异。
- 结论：两份回答给出的判断是否一致，是否互相矛盾。
- 步骤数：给出的步骤是几条，是否多出或漏掉关键环节。
- 是否给示例：有没有举出具体命令、配置或小例子，示例是否可执行。
如果两次完全一致，也不必急着认为模型稳定。一致可能来自提示词足够明确、问题本身没有歧义，也可能来自两次提问条件本来就相同。可以把提示词换一个问法再测，或换一个时间点再测一次，看一致是否可重复。若换问法后仍一致，说明这个问题对表述不敏感；若换问法后不一致，说明前面的“一致”只是巧合。
多轮之后决定哪个结果可用
差异列出来之后，最终要落到选用哪一个。取舍规则可以先定两条：
- 结论一致时，看细节完整度。选步骤清晰、示例可验证的那份，但不要因为文字更长就默认更好。
- 结论冲突时，用一个可验证的小任务复测。把两份回答里各自建议的做法，分别放到一个最小场景里跑一遍，看哪份说法能得到可观察的结果。
复测仍然以固定输入为前提：同一个任务、同一份数据、同一时间窗口内完成，避免把环境变化误当成回答质量差异。需要结合环境确认的部分，例如接口行为、缓存策略、日志开关的默认值，以当下环境的实际表现为准，不要直接沿用回答里的假设。