同一任务交给 Cue 两次，步骤和结论对不上时，先别急着改提示词，也别立刻清空对话。更常见的解释是两次运行的输入其实并不相同：措辞被顺手改过，或者第二次多带了几轮历史上下文。建议按“固定原文复跑 → 分离变量 → 再决定动哪里”的顺序排查，每一步都留下可回看的证据。

先判断输入是否真的一致：两次任务原文逐字相同、所在会话也相同，差异多半落在表述层面，属于正常波动，不必处理。若第二次的会话里多了追加限制或更长的历史，结论就可能真被上下文带偏，这时才需要改提示写法或新开会话。把原文抄下来、比对上下文、一次只改一个变量复跑，是分清两种原因的最低成本做法。边界：只有结论差异（步骤数量、顺序、出现被禁止动作）才值得干预。

把两次的原始输入并排抄下来

排查第一步是确认两次输入是否真的一样。人很容易以为“我发的是同一句话”，但第二次往往顺手补了几个字。把两次任务原文复制进同一个文本文件，逐字并排，任何一处差异都标出来，包括标点、空格、换行和补充说明。

# run1.txt
把这批日志按错误码归类，输出一个表格。

# run2.txt
把这批日志按错误码归类，输出一个表格，顺便标出出现次数最多的三条。

上面两行只差半句补充说明，但任务定义已经变了：run2 多了一个输出项。这类差异最常见，也最容易被忽略。记录时建议连同发送时间、所在会话、模型与参数设置写在旁边，方便后面回看。

判据很简单：只要两次任务原文不是逐字相同，先不要怀疑“结果不稳定”，直接按两个不同任务对待，重新对齐输入后再判断。

在会话记录里比对上下文与追加内容

第二次运行多带进去的信息，通常不在任务原文里，而在会话记录里。把两次运行的会话信息按下面几项抄成对照，填得越具体，后面越好定位。

上下文长度不需要精确统计，看会话面板里的轮次数、或者把历史消息贴进文本编辑器数一下字符量，就够做对比。重点是找出第二次额外带进去的是什么：是新的背景材料，是一条“不要输出解释”的限制，还是上一轮已经生成的中间结论。这些都会改变 Cue 的取舍。

一次只改一个变量复跑

提示写法和上下文长度是两个变量，必须分开验证。建议按固定顺序跑三遍，每遍只动一个条件，其余全部保持原样。

跑 A：同一会话里，把 run1.txt 原文原样重发
跑 B：新开会话里，把 run1.txt 原文原样重发
跑 C：新开会话里，只改措辞（例如把“归类”改成“分组”），其余不变

每跑一次只记录两件事：结果差异属于表达不同还是结论不同；差异出现在哪一步（理解任务、拆步骤、给结论）。跑 A 与跑 B 对比，看的是上下文长度的影响；跑 B 与跑 C 对比，看的是措辞的影响。这样三轮下来，责任基本能落到某一个变量上。

区分表达差异和结论差异

把正常的措辞变化误判成“结果不稳定”，是这条排查里最常见的浪费。可以用一组明确的判定标准来分开。

• 属于结论差异：步骤数量变了、步骤顺序变了、出现了明确被禁止的动作、输出结构或字段与要求不符、缺少必须包含的内容、给出的判断方向相反。
• 属于表达差异：用词、句式、段落切分、小标题命名不同，但动作序列和输出项一致，信息量没有增减。

按这个标准看：同一输入在同一会话里原样重发，只出现表达差异，通常不需要改提示词，也不必新开会话；新会话里原样重发仍然出现结论差异，才说明提示写法本身有歧义，需要补约束，比如明确输出字段、明确禁止动作、明确不确定时的处理方式。

决定什么时候该新开会话

出现下面三种信号，建议直接新开会话，而不是继续在同一会话里重发。

1. 追加的限制条件已经积累到若干条（比如三四条以上），且它们之间的优先级没有写明。
2. 出现前后要求冲突，例如前面要求“只输出结论”，后面又说“把中间推理也列出来”。
3. 同一任务已反复跑三次仍不一致，继续重发只会把更多历史带进上下文，差异更难归因。

新开会话后，把要求一次性前置，而不是分几轮慢慢补：

任务：……
输出格式：……
必须包含：……
禁止出现：……
遇到不确定时：先说明缺什么，不要自行补全

这几行放在第一条消息里，之后不再中途追加。这样两次运行的输入才是可比的，也能把前面的对照表重新填一遍，确认问题出在提示写法还是上下文，再决定是否长期调整提示词。