"同样的输入，为什么这次结果不一样"
这是 AI 系统最常见的追问 ✔。原因通常有三类：模型/版本变了、提示词变了、数据（检索结果）变了 ✗。
如果这三件事没有一起记录下来，就永远答不清楚 ✗。
一、可复现调用要记录什么
每次调用至少记录四组：
- 模型标识（名称 + 版本 + 关键参数：温度、上限）；
- 提示词版本（含模板版本号与变量值摘要 ✔）；
- 数据版本（检索结果集：用了哪些片段、它们的哈希、来源文档版本）；
- 组装清单（哪些组件参与、各多少 token —— 见可组装上下文那篇 ✔）。
关键：不要只记"最终拼好的字符串" ✗ —— 那样无法归一化、无法定位是哪一段变了 ✗。
二、把"版本"绑成一个整体
做法：给每次调用生成一个调用指纹（fingerprint）：
fingerprint = hash(模型 + 参数 + 提示词版本 + 数据片段哈希 + 组装策略版本)
好处：
- 同一指纹 → 结果应该一致（除模型本身的不确定性 ✔）；
- 指纹变化 → 能立刻知道是哪一类变了 ✔；
- 评测时按指纹分组，避免把"换了版本"的差异算成"提示词的效果" ✗。
三、缓存与可复现的关系
- 缓存键必须包含指纹 ✔（否则换了版本还在吃旧结果 ✗ —— 见缓存那篇 ✔）；
- 反过来，指纹也让你能主动失效：提示词升版本时批量清掉旧键 ✔。
四、评测里的用法
- 对照实验：冻结指纹里除被测项以外的全部 ✔；
- 回归：同一批样本用同一指纹重跑，结果应稳定 ✔；不稳定说明还有未记录的自由度 ✗；
- 事故复盘：用指纹串起"当时到底给了模型什么" ✔（这是复盘里最先要回答的问题 ✔）。
五、落地顺序
- 先加提示词版本号与模型参数记录（半天 ✔）；
- 再把检索片段的哈希记下来 ✔；
- 然后算指纹并进缓存键 ✔；
- 最后把组装清单也纳入（用于定位"哪一段变了"）✔。
一条判据
只给你一条日志，你能否在 5 分钟内回答"当时模型看到了什么" ✔？
答不上，说明可复现性还没做到位 ✗。