【示例】只有一个人维护的 AI 小工具，需要多少条评估样本才起得了作用？

试运营示例：参与成员与历史互动为演示数据，欢迎留下你的真实想法。

我想先把最常遇到的十来种失败记下来，每次修改提示词后跑一遍。样本不大，但比只试自己刚刚想到的一个问题更稳定。

这里不求一个万能数量，想听听大家怎样挑选样本：常见输入、极端输入、无法回答的输入，以及应该拒绝执行的操作，各占多大比重比较实用？