Playground
Playground 把几种提示词和模型并排放在同一批行上跑，给每一格打分，每一列都能存成实验。发布之前先拿它试一下改过的提示词或更便宜的模型。
打开项目的 Playground。它打开你最近的会话；「会话」菜单在会话之间切换，「＋ 新建会话」另开一个。会话边改边存（「已保存」）。
列
每一列是一个变体，编号 A 到 F（最多 6 列）：
- 提示词列：一段系统提示词（最多 2 万个字符）、平台的一个模型（组织没开通的显示为灰色）和可选的「温度」（0 到 2；空着就是模型的默认值）。项目声明了工具时，「给模型项目的 N 个工具（只记录调用，不执行）」让模型去调它们：调用会显示出来，什么都不执行。「加一列」复制最后一个提示词列；「复制这一列」复制这一列。
- 目标列（「加目标列」，最多一列）：项目现在的整个系统，在它的沙盒、测试机或对话 AI 里跑。它只跑场景，所以行要从项目「来自场景」的数据集里抽；它会真的发起一轮测试，和别的运行一样计费。一个项目同一时间只跑一个测试，所以它跑着的时候占着这个项目的测试：「测试新版本」会写明是 Playground 在用，等它跑完。
行
- 「从数据集抽」：选数据集、它的版本（「当前的行」或存过的某一版）、「抽几行」（1 到 100，默认 10）和「种子」。同样的种子抽出同样的行。
- 「粘贴输入」：一行一个输入；用 Tab 隔开的第二段是期望的回答，从表格复制过来就是这样。最多 100 行。
- 实验的一行或一条追踪上的 「在 Playground 打开」：新开一个会话，放着那一行，那次调用的系统提示词和模型作为 A 列。
评分器
「加评分器」从项目的评分器和内置库里选（不含人工和 Agent 行为评分器），最多 20 个。不选评分器只看输出；选了，每一格都有分数，每一列有平均分，A 之后的每一列还和 A 比胜负：「B 胜 A：2 行，输 1 行，平 1」。「只看差异」藏起各列都一样的行。
运行
主按钮上写着这次运行要花多少，「运行 · 约 $0.04」，列下面那一行拆开说：模型按标价加 30%、评分器的评审费用、目标列的沙盒执行（和测试一样，每行每种情况跑 3 次）。点它：每一格跑完就填上，同时跑 4 格。失败的格子写明原因；平台的模型出错的会重试，还是失败就不收费。
目标列的一格就是那一轮实验里的那一行：回复取最后一次有回复的执行，每个分数是判定了的几次的平均（通过两次、判断不了一次，记 1.00，不算未判定），格子下面写着跑了几次。你选的评分器逐次读每次的回复，再同样取平均；没有回复的那次不评。胜负和平均分只算跑完的格子。
运行是人的点击：组织的额度用完时会被拒绝，和别的运行一样（什么时候发不起测试）。
存为实验
「存为实验」把每个提示词列存成一个实验（来源「Playground」，目标「提示词」），第一列作为其余各列的基线；目标列连到它那一轮的实验。存好后页面提示一句，并把链接滚到眼前：每一列的实验、「B 对比 A」（对比页）和「并排看」。再点一次拿回的是同样的实验。
费用
提示词列的每一格是通过 AI Gateway 对平台模型的一次调用：按用量计费，标价加 30%，并记成追踪。评分器按评审用量计费。目标列是一次正常的运行。见价格。