如果你能测量性能，提高性能就会更容易。在某些情况下，对提示的修改可能会在几个孤立的示例上获得更好的性能，但在更具代表性的示例集合上可能会导致整体性能下降。因此，为了确定一项改变是否对性能产生了净效益，可能有必要定义一个全面的测试套件（也被称为”评估”）。

通过将其他工具的输出提供给GPT，来弥补GPT的缺点。例如，文本检索系统可以告诉GPT相关的文档。代码执行引擎可以帮助GPT进行数学计算和运行代码。如果一个任务可以由一个工具而非GPT更可靠或高效地完成，那么将其卸载以获得两者的优点。