本文介绍一个跨模型提示词评测平台的实现思路含四维评分体系设计细节。一、背景用 AI 的人都有这个体验同一句提示词不同模型输出质量差很多。但「差多少」「哪个维度差」目前没有标准化的对比工具。各模型厂商的 Playground 只测自家模型——豆包只测豆包千问只测千问。相当于运动员当裁判难免有偏向。我们做了一个中立评测平台——质鉴promptest.cn这里分享设计思路。二、核心流程用户输入大白话需求 ↓ 优化引擎生成结构化 Prompt 模板自动标注 {{变量}} ↓ 选择模型并行调用DeepSeek / 豆包 / 千问最多 3 个 ↓ 四维评分对比输出三、四维评分体系维度说明技术实现任务完成度输出是否命中任务目标评测引擎解析输出与期望结果匹配度格式规范度结构是否清晰可解析检测 JSON / Markdown 格式完整性模型适配度Prompt 写法是否符合模型理解习惯检查角色设定 / 分步骤 / 分隔符等要素落地实用性结果能不能直接用判断是否需要二次编辑评分一致性保障temperature ≈ 0消除随机性 评分协议版本化 双引擎独立打分互校。同一 Prompt 两次评分波动约 0.5-1 分对横向对比足够。四、技术栈后端Node.js 24 Express SQLiteWAL 模式零编译依赖前端React 18 Vite Ant Design 5深色主题AI 调用OpenAI 兼容协议通用适配器可接任何兼容模型安全helmet httpOnly Cookie SHA-256 API Key per-key 速率限制部署阿里云 ECS Nginx PM2REST API 端点/v1/test、/v1/test/compare、/v1/test/batch企业可通过 API Key 嵌入 CI/CD 流程。五、当前状态已接入 DeepSeek V4 Pro / V4 Flash、豆包 5 个模型、千问 Plus / Max、Kimi K2.6 等共 19 个模型。词库 150 条免费。定价 Free Pro ¥29.9/月。在线体验promptest.cn分类人工智能 标签Prompt评测、跨模型对比、DeepSeek、豆包、千问