بعد از تست Codebase Memory یه سوال هنوز توی ذهنمه: وقتی یه ابزار یا اسکیل جدید اضافه می‌کنیم، از کجا می‌فهمیم واقعا کارمون بهتر شده؟

به نظرم promptfoo می‌تونه اینجا کمک کنه. چند تا کار واقعی رو قبل و بعد تغییر اجرا کنیم، جواب‌ها رو کنار هم بذاریم و ببینیم کیفیت بهتر شده یا فقط چند تا جواب خوب شانسی گرفتیم.

شما معمولا این تغییرها رو چطوری می‌سنجین؟