如何测试和对比Harness的有效性？🌐 链接:

问题是这样的： 我们最近在测试时候发现一个问题，在Dify中通过Prompt构建一个了一个agent，Prompt做了角色定义，行为，工作流程，输出的相关约束，但是又一次偶然的机会对接错了API，发现不加这些prompt，模型也可以很好的按预期进行输出。这样就带来了一个问题，我们以为可以有效约束模型输出的各类手段，怎么能确定其哪些部分是真的有用，哪些是过度工程化或主观的感觉。有没有一个这样的可以对包括Prompt和Skill这些手段有效性进行benchmark和测试评估的手段。