看到 Macaron-V1 把多种能力放进一次后训练，容易顺手想成“一个模型全包”。更稳的做法是反过来：先拿到未经转述的能力条目，按输入输出形态切成几堆任务，把堆与堆重叠的地方标出来，再给每堆写一条验收样例。这样后续调提示词时，能分清是 Macaron-V1 在某个任务上本来就弱，还是提示写法把 Macaron-V1 带到了另一堆任务的输出习惯上。公开的能力描述通常只有任务类型加一句原话，既不含边界条件，也不含冲突说明，把原话抄成清单比凭印象分类更可靠。

处理顺序建议固定为四步：抄原始能力清单、按输入输出形态分堆、标注重叠区、给每堆写验收样例。适用场景是同一个模型承接多种任务、并且已经出现同类输入输出不稳定的情况；操作动作是把能力描述拆成可勾选的任务项，而不是继续无止境地改提示词；验证方式是用固定输入各跑一遍，只看输出形态是否落在预期那一堆；风险边界是能力清单本身可能滞后于实际权重，清单外的任务需要单独试，不能默认继承同一套提示词和同一套验收标准。

把公开描述里的能力项抄成原始清单

第一步不做分类，只做抄录。打开 Macaron-V1 的模型卡、发布说明、README 或控制台里的能力介绍页，把每一条能力按“任务类型 + 描述原话 + 出处页面”三列抄下来。抄录阶段有三条纪律：原话不改写，不把意思相近的两条合并，不在清单里写推断。遇到描述含糊的地方用“原文未说明”占位，不要自己补一句“应该也能做”。

# capability_raw.yaml —— 只抄原话
# 下面条目是格式示意，具体内容以你手上实际页面为准
- id: C-01
  task_type: 文本生成
  quote: 这里粘贴页面上的原句，一个字不改
  source: 模型卡 / 能力介绍页 URL
  note: ''
- id: C-02
  task_type: 多轮对话
  quote: 这里粘贴页面上的原句
  source: 同上
  note: 原文未说明是否限制轮数
- id: C-03
  task_type: 结构化输出
  quote: 这里粘贴页面上的原句
  source: 同上
  note: 原文未说明是否强制 JSON

这份清单的用途，是把“印象里的能力”换成可逐条对照的条目。执行位置放在仓库里的 docs 目录或表格工具中，跟着提示词版本一起提交；验证方式是通读一遍，确认每条都能指回一句原文，凡是指不回去的条目就先删掉。清单条目数量不必求多，能覆盖你实际要跑的几类任务即可。

按输入输出形态给任务分堆

按任务名字分堆容易重复，按输入输出形态分堆更可操作：看输入是什么、输出必须是自由文本还是一定形状的数据、是否需要跨轮携带状态。通常可以分成四堆——纯文本生成、多轮对话、结构化输出、判定打标。同一句能力原话可能同时落进两堆，先按主要输出形态归堆，重叠的部分留到下一步处理。

每堆先固定一条最小可跑样例，写进自己的测试脚本当回归输入。样例要短，短到出问题时能一眼看输出形态变了没有；样例太长会把格式问题和内容问题混在一起。堆名建议直接作为请求日志里的一个字段，后面排查时能按堆统计输出形态的偏差。

找出堆与堆之间的重叠区

重叠区是最容易把提示词写歪的地方，因为同一个提示词里同时约束了两种输出习惯。下面几处是比较常见的：

• 结构化输出 × 多轮对话：前面轮次已经返回过一版字段结构，后续追问时模型可能沿用旧键名或旧字段集合，出现字段漂移。干扰点在上下文里残留的那份示例结构。
• 判分打标 × 纯文本生成：要求“只回一个标签”时，生成倾向会把标签扩写成一句判断语，还带上理由。干扰点在提示词里没有写死输出长度、没有明确禁止解释。
• 结构化输出 × 代码生成：要求返回结构化数据时，代码块围栏或行内注释可能被一并输出；反过来在写代码的场景里强行套严格数据格式，又会把注释和空行吃掉。干扰点在两种输出习惯的默认格式不同。
• 多轮对话 × 纯文本生成：多轮中某一轮要求“简短回答”，但前几轮的长回答已经把长度预期带偏，后面很难压回来。

对每处重叠写一行“触发条件 + 观察点”，跟着请求日志一起记录：请求 id、所属堆名、提示词版本、输出是否通过形态校验。验证方式很直接：同一个输入，用只约束一种形态的提示词和同时约束两种形态的提示词各跑一次，看输出落到哪一堆。如果两种写法结果明显不同，说明当前任务跨堆，建议拆成两次调用，而不是在一段提示词里同时压两个约束。

为每堆写一条验收样例

验收样例不比“写得好不好”，只比“形态对不对”。每条包含输入、期望输出形态、判定句；判定句要能直接回答是或否，不写“较为合理”“基本符合”这类无法执行的描述。

• 纯文本生成　输入：一段两百字左右的产品说明加一句“改写成一段摘要”。期望输出形态：单个自然段。判定句：输出为单一自然段、不含标题与项目符号，视为达标；出现列表、小标题或以“以下是”开头，判不达标。
• 多轮对话　输入：第一轮给三条背景，第二轮只问“第二条的例外情况是什么”。期望输出形态：指向第二条的答复。判定句：输出明确对应该条并且没有把三条全部重述，视为达标；答成“你没有提供背景”或把三条重新列一遍，判不达标。
• 结构化输出　输入：一段含标题、时间、地点的文本，加上字段名清单。期望输出形态：可直接解析的数据。判定句：输出能被解析器一次性解析且字段集合与要求一致，视为达标；含围栏、注释或解析前的说明文字，判不达标。
• 判定打标　输入：一句用户留言加“只回一个标签”。期望输出形态：一个约定标签。判定句：输出严格等于约定标签之一，视为达标；带解释、带标点或出现约定之外的词，判不达标。

import json

def check_structured(text, required_fields):
    # 只做形态校验，不评价内容质量
    try:
        data = json.loads(text)   # 有围栏或多条说明文字时这里会失败
    except json.JSONDecodeError:
        return False, 'not-json'
    missing = [k for k in required_fields if k not in data]
    if missing:
        return False, 'missing:' + ','.join(missing)
    return True, 'ok'

这段校验函数放在测试脚本里，每跑一次就把堆名、提示词版本和返回值写进日志。需要提醒的边界有两条：一是能力清单和模型实际行为可能不一致，清单只作为待测项来源，不作为结论；二是验收样例只覆盖输出形态，不覆盖事实是否正确，涉及事实的任务要另加一条人工核对，别把形态通过当成内容通过。