AI总听不懂我的话提示词要怎样写Hi你好我是司沐。从大模型问世起提示词工程这个概念就再也不会消亡了。不过你有想过从2023年到现在出现了哪些提示词技术消亡了哪些提示词技术为什么会有这样的变化吗本文就是想以一个AI时代原住民的身份简单聊聊为什么以前流传的一些奇技淫巧现在没用了为什么现在的写法反而变简单了现在的人到底在琢磨什么以及将来的提示词技术会怎么变化。本文主要会按年份脉络讲是因为这样可以让这条脉络看起来清楚但真实情况肯定没有年初大家还这么想年底集体换了套路这么整齐。同一年里头往往能拆出好几个具体的时间点——某个新模型突然发布了、某家公司发了一篇论文或者官方博客、某种说法一夜之间在社群里传开了真正推着大家换写法的是这一个一个具体的节点而不是年份本身。本文先带你看一个粗线条的轮廓等以后有机会我们再挑几个关键节点拆得更细一些。1. 2023 年一个还在摸黑走路的年代ChatGPT 刚火起来的那阵子没有人真正懂该怎么跟它说话最管用。大家能做的就是不断去试试出一句好用的话就当宝贝一样口口相传。这段时间与其说是在搞工程不如说更像是在念咒语——你不一定懂为什么这句话管用但试出来确实管用那就先用着。这里面比较有代表性的几个做法先给它派个角色。比如在提问前面加一句你是一位资深律师或者你是一位诺贝尔物理学奖得主。这个做法叫角色扮演Role Prompting道理也讲得通模型在训练时读过无数种身份的人说话的样子你先把身份定下来它接下来的用词、语气、专业程度就会更贴近这个身份而不是漫无目的地东拉西扯。这就跟演员进组之前先明确自己演的是什么角色是一个道理人设定下来了演起来才不会跑偏。这条到 2025 年就打了折扣。那时候各家模型都在训练的后半程下了大功夫就算什么身份都不给模型也早就习惯了以一个认真、专业的助手口吻来作答不用再靠身份设定去激发能力。这时候安排身份的作用就变了它不再负责把回答从能用拉到专业而是单纯用来定风格——你希望它说话像个律师还是像个脱口秀演员纯粹是一个人设选择题跟回答质量已经没什么关系了。图 1左侧表示早期模型右侧表示模型能力内化角色特征后的情况两侧比较的是角色提示带来的主要收益变化。把问题分块写清楚。也是这段时间不少人发现与其把背景、要求、目标全揉在一整段话里不如用 Markdown 的写法分成几块比如单独写一段背景再单独写一段任务“目标”“思路”。这么做的好处细想下来其实有三层。第一层最直接内容分了块模型不用再自己去猜哪句话是背景、哪句话是要求原本容易被扯散的注意力被这几个小标题重新收拢了回来该参考哪部分的时候就去看哪部分。第二层其实是说给我们自己听的真要把背景、任务、目标一块块列清楚你自己得先把这件事从头到尾想明白写这几块的过程其实是倒逼你把问题本身想透很多时候几块写完答案在你自己脑子里已经成型了一半。第三层藏得深一些跟模型训练时读过的数据有关模型见过的大量问答数据里那些被认真回答、回答质量也高的问题往往本身就写得有条有理、逻辑清楚随口一问、语焉不详的问题得到的回答通常也比较敷衍。这种问题写得越用心回答质量越高的对应关系被模型在训练时悄悄记了下来所以见到一个结构清楚的问题它自己也会更认真地对待而不是随便应付。这种写法后来被叫做结构化提示Structured Prompting。让它把过程写出来而不是直接给答案。当时流传最广的一句咒语是Let’s think step by step翻译过来就是我们一步一步来想。你还别说这句话是真的管用。还记得吗大模型的每一步预测靠的都是把前面出现过的所有内容重新看一遍再猜下一个字而这份前面出现过的所有内容就是它的上下文Context。如果你让它直接吐答案那它这时候的上下文里就只有题目本身那几句话可参考的信息很单薄一步走错后面就跟着全错。但如果你先让它把解题过程一步步写出来那么它在算到第五步的时候前面一到四步的推导过程全都会被塞进它当下的上下文里可以拿来参照的信息一下子丰富了好多倍。上下文越完整、越具体后面每一步能借力的东西就越多答案自然也就越准。这种做法后来有个专门的名字叫思维链Chain of Thought说的就是让模型把推理过程一步步展开而不是憋一个大招直接甩答案。这条到 2025 年也不管用了甚至有点拖后腿。那一年出现了一批推理模型后面会细讲它们本来就会自己在后台一步步推敲相当于自己已经在草稿纸上把过程写清楚了。你再喊一句要一步步想等于是让它把已经想好的过程再复述一遍甚至刻意去凑你要的格式反而占用了它原本用来推敲的精力。图 2显式思维链对能力有限的模型可能有帮助但对已经具备内部推理能力的推理模型额外要求可能只是重复劳动。给几个例子照着学。光说帮我写一段种草文案模型不知道你想要的调性。但如果你先给它两三个你满意的例子它就能顺着例子的调子往下写。这个做法后来被叫做小样本示范Few-shot说白了就是照葫芦画瓢比干巴巴地下命令好使得多。这条到 2025 年同样打了折扣。面对推理模型例子给多了反而容易帮倒忙模型会把你给的例子当成一种该怎么想的固定模板去模仿束缚住了它自己更擅长的推理方式。所以这时候更好的做法是先不给例子把任务直接说清楚等它答得不理想再考虑补一两个例子而不是一上来就摆一堆。到了 2026 年例子该精不该多这条经验又被后来的实验坐实了一层而且比当初想的还要严重。有团队实测过一个任务原本零样本就能答对九成多可给到八个例子之后准确率断崖式地跌到了三成跌得比预想中猛得多。这种例子超过某个数量反而拖累效果的现象后来被叫作过度提示Over-prompting。所以例子这件事从来都不是给得越多越保险几个贴切的例子永远好过一沓凑数的。图 3示范例子并非越多越好超过最佳范围后过度模仿例子会束缚模型并显著降低准确率。还有一批做法现在看更像是江湖传言。比如给 AI 一点小费的许诺或者用威胁的口气吓唬它据说这样它会更认真地回答。这类说法当时传得很广甚至连一些业内名人都公开说自己验证过有效。但后来有一篇论文《I’ll pay you or I’ll kill you – but will you care?》专门做了大规模测试发现这套路对整体表现基本没什么用个别题目上涨了另一些题目上反而掉了说到底就是运气成分算不上一个真正可靠的方法。这也提醒我们这个领域一开始确实带着不少民间偏方的味道能不能真管用得靠实打实测出来而不是听谁说得响亮。那个阶段的核心特点可以用一句话概括模型还不太聪明也不太会主动猜你的心思所以人只能靠外部的小技巧一点点把它的水平往上抬。术语速查词意思提示词工程 | Prompt Engineering琢磨怎么把提示词写好、让 AI 回答得更准更好用的这门学问提示词 [常用] | Prompt你说给 AI 听、让它照着做事的那段话上下文 [常用] | Context模型做这一步预测时眼前能看到的全部内容思维链 [常用] | Chain of Thought让模型把推理过程一步步摊开写出来而不是直接给结论小样本示范 | Few-shot [常用]先给几个例子让模型照着例子的样子来做过度提示 | Over-prompting [常用]给的例子或指令超过某个数量后效果不但不涨反而明显下滑的现象2. 2024 年从碰运气到讲章法到了 2024 年模型的理解能力明显上去了一截大家写提示词的方式也慢慢从瞎试变成了讲究。这一年各家公司陆续把自己内部总结的经验公开出来尤其是 Anthropic也就是 Claude 背后的公司写了好几份很详细的官方指南比如《6 Techniques for Effective Prompt Engineering》。这些指南里有几条思路特别值得说一说。把话说具体比把话说漂亮更重要。之前很多人喜欢用一些模糊的形容词比如让 AI “写得简洁一点”。但什么算简洁三句话算简洁还是三十个字算简洁模型也拿不准。Anthropic 给的建议很实在与其说简洁一点不如直接说控制在两到三句话以内。目标越具体模型才越知道该往哪个方向使劲。别说不要做 A要说清楚该做 B。很多人写提示词的时候习惯先列一堆不要不要用网络用语、不要超过三百字、不要跑题。这类禁止句模型倒也不是看不懂但你只告诉它不能做什么它还得自己反过来猜一遍剩下能做的范围到底有多大猜得不准照样容易踩线。与其列一串不要不如直接把该做的事说清楚——把不要写得啰嗦换成每段控制在三句话以内方向摆在明面上模型执行起来自然更准。这个坑后来被叫做负面提示Negative Prompting意思就是只说不能做什么、不说该做什么的写法尽量少用。这条经验在 2026 年被后来的研究讲得更透了专门取了个挺形象的名字叫粉红大象效应——就像有人让你别去想一头粉红色的大象你脑子里反而立刻冒出一头粉红色的大象。模型也有类似的毛病为了处理不要提到 A这句话它得先在自己当下的注意力里把 A 摆出来、过一遍结果反而让 A 更容易在回答里冒出来这个问题在会自己深度思考的推理模型身上还更明显。所以这条经验没有失效反而是被后来的研究进一步验证、讲得更清楚了。图 4左侧示意负面提示可能强化被禁止概念右侧示意明确替代行为通常更容易得到稳定结果。长内容要分清楚哪块是哪块。这个思路其实和前面说的分块写清楚是一脉相承的只不过这一年多了一种更严谨的分块方式。如果你的提示词里既有背景资料又有具体要求还夹杂着例子光靠几个 Markdown 小标题有时候还是不够模型偶尔还是会分不清这句话到底是背景介绍还是任务要求尤其是当资料本身很长的时候。这时候用 XML 标签一对尖括号组成的记号把不同部分严丝合缝地框起来就更管用比如把资料部分用资料和/资料包起来把要求部分单独放在别的位置。这就跟收拾快递包裹一个道理东西分门别类打包、贴好标签对方拆开的时候才不会看花眼。这个做法后来也被验证是对 Claude 系列模型格外管用的一招因为它训练的时候就见过大量这种带标签的文本。不过这条到了 2026 年也被收窄了适用范围。如果提示词本来就短、逻辑也简单加不加标签模型理解得都一样准硬套标签反而白白多花 token。真正用得上标签的场景收窄成了内容比较长大致超过五百字这个量级、里面分好几个逻辑段落或者输入的内容本身可能被模型误认成指令这几种情况。而且这条经验也开始分模型了Claude 系列还是更吃 XML 标签这一套OpenAI 这边官方更推荐改用 Markdown 小标题分块效果差不多但更省 token。说到底就是同一个道理手段要配得上问题的复杂程度问题本身不复杂就不用非上重装备。该给例子的时候给但别乱给。例子确实好用但如果给的例子风格不统一或者跟你真正想要的效果对不上反而会把模型带偏。所以这个阶段大家更强调例子的质量而不是数量一两个贴切的例子往往好过五六个东拼西凑的。语气和格式模型会模仿你。如果你希望它写得正式那你提问的时候也用比较正式的措辞如果你想要它写得轻松随意你自己问话的语气也放轻松。模型会不自觉地照着你说话的调子来回应这也是为什么同一个问题换一种问法出来的文风都会不一样。把不变的部分放前面会变的部分放后面。也是这一年Anthropic 和 OpenAI 先后上线了一个叫提示词缓存Prompt Caching的功能先是 Anthropic 在 8 月宣布紧接着 OpenAI 在 10 月跟进。如果这次请求里开头一大段跟上次请求一字不差比如固定的系统设定、固定的背景资料服务器就能直接照搬上次已经算过的结果不用重新算一遍请求既快了花的钱也少了。但这个功能有一个前提一字不差的那部分必须老老实实待在提示词最前面只要中间插进一点点变化后面能省的那部分也就跟着作废了。所以从这一年开始写提示词多了一条新的讲究把不常变的规则、背景放在最前面把每次都不一样的具体问题放在最后面。这个想法其实也是再往后要讲的上下文工程的一个朴素雏形——早在真正开始琢磨该怎么打理 AI 眼前那一整套信息之前大家已经先在琢磨提示词里到底哪部分该稳定不变、哪部分该灵活变化了。图 5提示词缓存只复用从开头起连续且一字不差的前缀前缀一旦被变化内容打断后面的固定内容也不能继续命中缓存。也是在这个阶段大家慢慢达成了一个共识提示词写作已经不只是找一句管用的咒语了它变成了一件需要反复调整、反复对照结果来打磨的事情跟写文章改稿子有点像写第一版从来不是终点。术语速查词意思XML 标签 | XML tag用一对尖括号把提示词里不同的部分框出来方便模型分清边界系统提示词 | System Prompt [常用]提前设定好、贯穿整个对话的规则和身份说明负面提示 | Negative Prompting [常用]只说不能做什么、不说该做什么的写法容易让模型摸不准方向上下文缓存 | Context Caching [常用]把提示词里没变过的部分直接复用上次的计算结果省时间也省钱3. 2025 年模型学会了自己打草稿2025 年一批新的模型出现了它们有一个共同点拿到问题以后会先在心里自己盘算一遍才把最终答案说出来。这种模型通常被叫做推理模型Reasoning Model代表性的比如 OpenAI 的 o1、o3还有 Claude 的深度思考模式。这批模型一出现前面标注过的那三条 2023 年老技巧——角色扮演、思维链、小样本示范——差不多都在这一年打了折扣具体原因回头翻翻上面的批注就能看到这里就不重复了。OpenAI 官方也直接给出了建议对这类模型不需要再教它怎么想只要把问题和目标说清楚就够了剩下的交给它自己去想。这也带出了这个阶段一个很关键的转变说清楚要什么而不是替它规划该怎么想。以前对着能力有限的模型我们习惯把解题步骤都提前写好一步一步喂给它。但推理模型更擅长自己拆解问题你如果把步骤框得太死反而限制了它。这时候更好的做法是把最终想要的结果、要满足的条件说清楚比如明确说给出的方案预算不能超过五百块然后把具体怎么算、怎么推的自由交还给模型。图 6面对推理模型应明确最终结果和约束条件把具体的分析与推理过程交还给模型。到了 2026 年这个思路又往前走了一步连该给它多少空间去想想太久会不会耽误事这类问题也开始不用你手动操心了。比如 Claude 从某一代新模型开始直接取消了手动设置思考时长的接口改成一个叫力度Effort的档位你只管把这个档位调高调低具体想多久、怎么想交给模型自己动态决定OpenAI 那边则是直接建议开发者对着推理模型完全不用再写一步步想这类思维链提示。这跟前面说的道理一脉相承模型自己能打理好的事情就不再需要你手把手教了。与此同时同一年 OpenAI 也针对当时最新的一批模型出了一份很详细的《GPT-4.1 Prompting Guide》核心意思是这批模型对指令的理解已经变得非常直白你说什么它就照做什么不会像早期那样自己脑补你的言外之意。这既是好事也是提醒——好事是只要你说清楚它就能做到位提醒是如果你的话本身含糊它也不会自动帮你圆回来而是会照着字面意思去做容易做出跟你预期不一样的结果。所以这份指南里反复强调的一件事就是把每一条要求都写得明明白白不要留模糊地带。也是这一年一家做 AI 智能体Agent产品的公司 Manus 发了一篇文章《Context Engineering for AI Agents: Lessons from Building Manus》第一次把上下文工程Context Engineering这个词真正炒热了起来。他们说得很实在AI 要是只回答一个问题那琢磨这句话怎么问确实就够了。可他们做的产品要让 AI 连续干几十步活比如自己上网查资料、写文件、跑代码一步接一步做下去。这种情况下光顾着开头那一句提示词根本不够看真正决定任务能不能做成的是每一步开始之前AI 的上下文里到底装着哪些东西早前查到的资料要不要留在上下文里、什么时候该被清出去、做错的那一步要不要留个痕迹提醒它别再错第二次。他们把这一整套什么时候该让什么内容进入上下文又该在什么时候把它清出上下文的门道叫作上下文工程。这跟前面说的道理是一脉相承的模型每一步的判断都基于它当下的上下文那么谁能把这份上下文打理得干净、及时、恰到好处谁就能让模型发挥得更稳。图 7Three buckets are successive snapshots of the model’s context; the changing information composition, not the opening prompt alone, determines what the model can use at each step.管好上下文不光是让模型发挥更稳还有一笔实实在在的账前面 2024 年那节说过的提示词缓存省的就是上下文里那些反复出现、没有变化的部分。按官方公布的价目表Anthropic 这边命中缓存的部分只按原价的一折收费OpenAI 那边打五折。也就是说同一段背景资料、同一套工具说明如果能让它老老实实待在上下文里被反复命中缓存而不是每次都被换掉重新计算一套流程跑下来能省下的钱相当可观。这也是为什么上下文工程不只是一个让模型表现更好的技巧同时也是一笔要精打细算的成本账。术语速查词意思推理模型 [常用] | Reasoning Model会先在后台自己一步步推敲再给出最终答案的模型思考块 | Thinking Block推理模型在正式回答前自己生成的那一段推敲过程思考力度 | Effort [常用]控制推理模型思考深度的档位你只调档位高低想多久、怎么想交给模型自己决定智能体 [常用] | Agent能自己拆解任务、调用工具、连续干很多步活的 AI 程序上下文工程 [常用] | Context Engineering琢磨在任务进行的每一步该让什么内容进入上下文、什么内容该被清出去4. 2026 年也就是现在给 AI 配一套工具箱上下文工程这个思路虽然重要但它更多是在说该注意什么并没有说清楚具体该怎么做。如果每家公司、每个人都要自己从零摸索一套管理上下文的机制那也太累了。于是 2025 年年底Anthropic 在一篇叫《Equipping agents for the real world with Agent Skills》的博客里拿出了一套具体的落地方案叫 Skill。这套方案火起来的速度超出预期Anthropic 干脆把它整理成一份任何公司都能照着实现的公开规范短短几个月里OpenAI、Google、微软这些公司的产品也陆续跟着支持了同一套 Skill 文件格式。这意味着你给一个工具写的 Skill换到另一家公司的工具里往往也能直接拿来用不用重写一遍。Skill 解决的正是上面说的那个问题与其把所有任务的操作说明一股脑全塞进上下文不如提前把不同任务的说明整理成一份份独立的文档放在一边。你可以把它想象成一套工具箱每个 Skill 都配了一张小卡片卡片上只写着这个 Skill 是干什么用的。AI 平时只需要扫一眼这些卡片知道工具箱里都有些什么这些卡片本身占不了上下文多少地方。真轮到要用某个 Skill 了它才会把这份 Skill 完整的说明书读进上下文里细看。这样一来AI 手头能用的 Skill 再多上下文里需要一直背着的内容也不会变多需要的时候又总能精准地把最详细的那一份说明找出来、放进上下文。你会发现Skill 正是把上下文工程那句该在什么时候让什么内容进入上下文的道理做成了一套大家都能直接照着用的通用方案。图 8Skill 让大量任务知识不必常驻上下文而是在真正需要时按需加载。不过这里要说清楚一点Skill 解决的只是上下文工程里该在什么时候让什么内容进入上下文这一半问题。前面 Manus 那篇文章说得很清楚上下文工程还有另外一半是该在什么时候把内容清出上下文这一半 Skill 并不管得靠 AI 助手外面那一整套让它真正运转起来的运行框架来解决这套东西现在有个专门的说法叫 Harness原意是套在马身上、让马能拉车的那副挽具这里指的是让模型真正干成活的那套外围机制。举几个例子一段对话越聊越长眼看就要把上下文塞满了Harness 得知道什么时候该把前面一大截对话浓缩成一段摘要重新开一轮干净的上下文这个动作叫压缩CompactionAI 调用工具查了一大堆资料这些资料在刚查完那会儿有用可再往后翻几十轮对话多半就用不上了Harness 也得知道该找个时机把这些过时的工具返回结果清出去腾出地方给后面真正要用的内容再往大了说如果一个任务里有一步特别吃上下文比如要翻查一整个代码库Harness 还可以专门开一个用完即扔的子智能体Sub-agent让它自己在一个独立干净的上下文里把这一步做完只把最后的结论带回来不把翻查过程中攒下的一堆碎片塞回主线的上下文。这几件事都不是靠一份 Skill 文档能包办的得写进 Harness 本身的运行逻辑里让它在合适的时候自动去做。也就是说Skill 管的是该拿什么进来Harness 管的是该把什么送走两者合在一起上下文工程这件事才算被真正落了地。图 9Skill 负责按需加载内容进入上下文Harness 负责压缩、清除和隔离不再需要的内容。回头看这四年你会发现一条挺清楚的线索模型越来越聪明我们要替它操心的细节反而越来越少但我们要考虑的范围却越来越大——从一开始只想着怎么把一句话说得巧妙到后来开始想清楚该给它的上下文里放哪些信息、该怎么把一堆资料和工具整理得井井有条。这跟带一个新人是差不多的道理一开始你得手把手教他每一步该怎么做等他真的成长起来了你要操心的就变成了给他一个清楚的目标再把他做事需要用到的资料和工具提前摆放整齐。术语速查词意思技能 | Skill [常用]Anthropic 提出的通用方案把某一类任务的操作说明整理成独立文档AI 需要时才把它读进上下文运行框架 | Harness [常用]AI 助手外面那一整套让它真正跑起来的运行机制负责调用模型、执行工具、管理上下文该留什么该清什么上下文压缩 | Compaction对话快把上下文塞满时把前面一大截内容浓缩成一段摘要、重新开一轮干净上下文的做法子智能体 | Sub-agent由主 Agent 派出来的专门处理某个子任务、用完即扔的智能体只把最终结论带回主线不把中间过程也带回来5. 技巧一直在换代这个循环倒是没变走完这四年你应该也发现了没有哪一种提示词写法是能用一辈子的它会一直跟着模型本身的进化换代。这中间其实藏着一个循环我们这些用的人在日常摸索出一种好用的提示词写法某种程度上是在替模型厂商标出模型现在还欠缺什么、得靠人从外面补一手。厂商看到这个规律之后往往不会满足于让全世界的用户每次都手动补这一手而是想办法直接把这种能力练进模型本身。等这件事做成了原来那句好用的提示词也就跟着一起退休了。图 10循环表达的是能力被模型吸收后用户仍会继续发现新的缺口并形成新的外部补偿不表示严格按年份整齐发生。前面标注过的思维链和角色扮演正好都是这个循环的例子思维链被厂商直接练成了推理模型自带的思考块Thinking Block角色扮演的效果被后训练悄悄内化进了模型的默认行为。两条老技巧都还在只是不再需要我们从外面手动补了。所以其实我们摸索出的每一个好用的提示词技巧都是在给下一代模型的训练提需求模型每往前走一代就会把上一代最常见的那几个技巧悄悄吸收进去然后把提示词这件事的门槛往后再推一格。不过这里要提醒一句前面按年份划出来的这几套规则说的都是每一年最顶尖的那批模型也就是大家常说的前沿模型。如果你手头用的是一个能力比较弱的模型比如某些小体量、专门为省钱和速度做过裁剪Pruning的模型它的水平可能压根还没走到前沿模型那一年的台阶上。这种时候一两年前那些看着有点过时的老办法往往还是好使的该用照样用不用觉得掉队。判断该用哪一年的招数标准不是日历翻到了哪一年而是你手头这个模型实际站在哪个能力台阶上。图 11选择提示词技巧的标准是模型当前的实际能力而不是日历上的年份能力较弱的模型仍可能适用较早的技巧。而且这份打磨不会在某一年戛然而止就算是前面 2024、2025 年才总结出来的经验一样在被不断地重新审视。前面提到的负面提示、XML 标签、给例子这几条就是现成的例子负面提示没有过时反而被后来的研究讲得更透彻了XML 标签也没有失效只是适用的场合被收窄了简单的提示词已经用不上它给例子这条更是直接被坐实成一条更严格的规矩例子一旦超了量效果掉得比最初想象的还要猛。所以说到底这几年唯一没变的一件事就是这些经验本身还在持续被打磨、被重新验证这个过程。术语速查词意思裁剪 [常用] | Pruning把训练好的大模型里贡献较小的部分砍掉换来更小体量、更快速度的压缩做法6. 有一条规则大概率不会变乔哈里视窗前面讲了一大堆会过时的技巧那有没有什么是不太会变的还真有一个只不过它不是哪家公司提出来的而是心理学里一个很老的概念叫乔哈里视窗Johari Window。它是 1955 年两位心理学家提出来的本来是用来分析人和人之间沟通的。思路很简单把两个人之间的信息按自己知不知道和对方知不知道分成四块。这四块拿到人和 AI 的沟通上套得出奇地合适双方都知道的简单说。这是最省心的一块。你想问的东西AI 也早就见过、答得上来这种时候不用绕弯子直接把话简单说清楚就行。AI 知道、你不知道的提问题。这一块正好反过来用。你自己也说不清具体要什么、或者压根不知道有没有更好的思路这时候最该干的事是多问 AI 几个问题把它知道、你不知道的东西给套出来。你知道、AI 不知道的喂模式。这一块最容易被人忽略。你的作业要求、你项目的具体背景、你脑子里那些没写出来的想法AI 从来没见过、也猜不到。这种时候不管模型多聪明都得靠你主动把这些信息喂给它它才有办法接得住。这其实就是我们前面反复提到的结构化提示、上下文工程在干的事——把这一块你知道、AI 不知道的信息想办法喂完整变成双方都知道。双方都不知道的开放聊。这一块最有意思谁都没有现成答案这时候不如把它当成一次开放式的聊天跟 AI 一起头脑风暴说不定能碰撞出点新东西。图 12四个区域分别表示双方都知道时“简单说”AI知道、你不知道时“提问题”你知道、AI不知道时“喂模式”双方都不知道时“开放聊”。你会发现这四块和模型是 2023 年的还是 2026 年的其实没什么关系。不管模型进化到多聪明你项目里的具体背景它还是不会自己知道还是得你亲手喂进去你自己也说不清的模糊想法还是得靠多问几句去把思路理清楚。表面的技巧换了一茬又一茬但先想清楚该往哪个方向努力再决定要问、要喂、还是要一起聊这条底层逻辑大概率会一直管用下去。术语速查词意思乔哈里视窗 [常用] | Johari Window把两人之间的信息按自己知不知道对方知不知道分成四块的沟通模型这里用来分析人和 AI 该怎么沟通 AI总听不懂我的话！提示词要怎样写？
AI总听不懂我的话提示词要怎样写Hi你好我是司沐。从大模型问世起提示词工程这个概念就再也不会消亡了。不过你有想过从2023年到现在出现了哪些提示词技术消亡了哪些提示词技术为什么会有这样的变化吗本文就是想以一个AI时代原住民的身份简单聊聊为什么以前流传的一些奇技淫巧现在没用了为什么现在的写法反而变简单了现在的人到底在琢磨什么以及将来的提示词技术会怎么变化。本文主要会按年份脉络讲是因为这样可以让这条脉络看起来清楚但真实情况肯定没有年初大家还这么想年底集体换了套路这么整齐。同一年里头往往能拆出好几个具体的时间点——某个新模型突然发布了、某家公司发了一篇论文或者官方博客、某种说法一夜之间在社群里传开了真正推着大家换写法的是这一个一个具体的节点而不是年份本身。本文先带你看一个粗线条的轮廓等以后有机会我们再挑几个关键节点拆得更细一些。1. 2023 年一个还在摸黑走路的年代ChatGPT 刚火起来的那阵子没有人真正懂该怎么跟它说话最管用。大家能做的就是不断去试试出一句好用的话就当宝贝一样口口相传。这段时间与其说是在搞工程不如说更像是在念咒语——你不一定懂为什么这句话管用但试出来确实管用那就先用着。这里面比较有代表性的几个做法先给它派个角色。比如在提问前面加一句你是一位资深律师或者你是一位诺贝尔物理学奖得主。这个做法叫角色扮演Role Prompting道理也讲得通模型在训练时读过无数种身份的人说话的样子你先把身份定下来它接下来的用词、语气、专业程度就会更贴近这个身份而不是漫无目的地东拉西扯。这就跟演员进组之前先明确自己演的是什么角色是一个道理人设定下来了演起来才不会跑偏。这条到 2025 年就打了折扣。那时候各家模型都在训练的后半程下了大功夫就算什么身份都不给模型也早就习惯了以一个认真、专业的助手口吻来作答不用再靠身份设定去激发能力。这时候安排身份的作用就变了它不再负责把回答从能用拉到专业而是单纯用来定风格——你希望它说话像个律师还是像个脱口秀演员纯粹是一个人设选择题跟回答质量已经没什么关系了。图 1左侧表示早期模型右侧表示模型能力内化角色特征后的情况两侧比较的是角色提示带来的主要收益变化。把问题分块写清楚。也是这段时间不少人发现与其把背景、要求、目标全揉在一整段话里不如用 Markdown 的写法分成几块比如单独写一段背景再单独写一段任务“目标”“思路”。这么做的好处细想下来其实有三层。第一层最直接内容分了块模型不用再自己去猜哪句话是背景、哪句话是要求原本容易被扯散的注意力被这几个小标题重新收拢了回来该参考哪部分的时候就去看哪部分。第二层其实是说给我们自己听的真要把背景、任务、目标一块块列清楚你自己得先把这件事从头到尾想明白写这几块的过程其实是倒逼你把问题本身想透很多时候几块写完答案在你自己脑子里已经成型了一半。第三层藏得深一些跟模型训练时读过的数据有关模型见过的大量问答数据里那些被认真回答、回答质量也高的问题往往本身就写得有条有理、逻辑清楚随口一问、语焉不详的问题得到的回答通常也比较敷衍。这种问题写得越用心回答质量越高的对应关系被模型在训练时悄悄记了下来所以见到一个结构清楚的问题它自己也会更认真地对待而不是随便应付。这种写法后来被叫做结构化提示Structured Prompting。让它把过程写出来而不是直接给答案。当时流传最广的一句咒语是Let’s think step by step翻译过来就是我们一步一步来想。你还别说这句话是真的管用。还记得吗大模型的每一步预测靠的都是把前面出现过的所有内容重新看一遍再猜下一个字而这份前面出现过的所有内容就是它的上下文Context。如果你让它直接吐答案那它这时候的上下文里就只有题目本身那几句话可参考的信息很单薄一步走错后面就跟着全错。但如果你先让它把解题过程一步步写出来那么它在算到第五步的时候前面一到四步的推导过程全都会被塞进它当下的上下文里可以拿来参照的信息一下子丰富了好多倍。上下文越完整、越具体后面每一步能借力的东西就越多答案自然也就越准。这种做法后来有个专门的名字叫思维链Chain of Thought说的就是让模型把推理过程一步步展开而不是憋一个大招直接甩答案。这条到 2025 年也不管用了甚至有点拖后腿。那一年出现了一批推理模型后面会细讲它们本来就会自己在后台一步步推敲相当于自己已经在草稿纸上把过程写清楚了。你再喊一句要一步步想等于是让它把已经想好的过程再复述一遍甚至刻意去凑你要的格式反而占用了它原本用来推敲的精力。图 2显式思维链对能力有限的模型可能有帮助但对已经具备内部推理能力的推理模型额外要求可能只是重复劳动。给几个例子照着学。光说帮我写一段种草文案模型不知道你想要的调性。但如果你先给它两三个你满意的例子它就能顺着例子的调子往下写。这个做法后来被叫做小样本示范Few-shot说白了就是照葫芦画瓢比干巴巴地下命令好使得多。这条到 2025 年同样打了折扣。面对推理模型例子给多了反而容易帮倒忙模型会把你给的例子当成一种该怎么想的固定模板去模仿束缚住了它自己更擅长的推理方式。所以这时候更好的做法是先不给例子把任务直接说清楚等它答得不理想再考虑补一两个例子而不是一上来就摆一堆。到了 2026 年例子该精不该多这条经验又被后来的实验坐实了一层而且比当初想的还要严重。有团队实测过一个任务原本零样本就能答对九成多可给到八个例子之后准确率断崖式地跌到了三成跌得比预想中猛得多。这种例子超过某个数量反而拖累效果的现象后来被叫作过度提示Over-prompting。所以例子这件事从来都不是给得越多越保险几个贴切的例子永远好过一沓凑数的。图 3示范例子并非越多越好超过最佳范围后过度模仿例子会束缚模型并显著降低准确率。还有一批做法现在看更像是江湖传言。比如给 AI 一点小费的许诺或者用威胁的口气吓唬它据说这样它会更认真地回答。这类说法当时传得很广甚至连一些业内名人都公开说自己验证过有效。但后来有一篇论文《I’ll pay you or I’ll kill you – but will you care?》专门做了大规模测试发现这套路对整体表现基本没什么用个别题目上涨了另一些题目上反而掉了说到底就是运气成分算不上一个真正可靠的方法。这也提醒我们这个领域一开始确实带着不少民间偏方的味道能不能真管用得靠实打实测出来而不是听谁说得响亮。那个阶段的核心特点可以用一句话概括模型还不太聪明也不太会主动猜你的心思所以人只能靠外部的小技巧一点点把它的水平往上抬。术语速查词意思提示词工程 | Prompt Engineering琢磨怎么把提示词写好、让 AI 回答得更准更好用的这门学问提示词 [常用] | Prompt你说给 AI 听、让它照着做事的那段话上下文 [常用] | Context模型做这一步预测时眼前能看到的全部内容思维链 [常用] | Chain of Thought让模型把推理过程一步步摊开写出来而不是直接给结论小样本示范 | Few-shot [常用]先给几个例子让模型照着例子的样子来做过度提示 | Over-prompting [常用]给的例子或指令超过某个数量后效果不但不涨反而明显下滑的现象2. 2024 年从碰运气到讲章法到了 2024 年模型的理解能力明显上去了一截大家写提示词的方式也慢慢从瞎试变成了讲究。这一年各家公司陆续把自己内部总结的经验公开出来尤其是 Anthropic也就是 Claude 背后的公司写了好几份很详细的官方指南比如《6 Techniques for Effective Prompt Engineering》。这些指南里有几条思路特别值得说一说。把话说具体比把话说漂亮更重要。之前很多人喜欢用一些模糊的形容词比如让 AI “写得简洁一点”。但什么算简洁三句话算简洁还是三十个字算简洁模型也拿不准。Anthropic 给的建议很实在与其说简洁一点不如直接说控制在两到三句话以内。目标越具体模型才越知道该往哪个方向使劲。别说不要做 A要说清楚该做 B。很多人写提示词的时候习惯先列一堆不要不要用网络用语、不要超过三百字、不要跑题。这类禁止句模型倒也不是看不懂但你只告诉它不能做什么它还得自己反过来猜一遍剩下能做的范围到底有多大猜得不准照样容易踩线。与其列一串不要不如直接把该做的事说清楚——把不要写得啰嗦换成每段控制在三句话以内方向摆在明面上模型执行起来自然更准。这个坑后来被叫做负面提示Negative Prompting意思就是只说不能做什么、不说该做什么的写法尽量少用。这条经验在 2026 年被后来的研究讲得更透了专门取了个挺形象的名字叫粉红大象效应——就像有人让你别去想一头粉红色的大象你脑子里反而立刻冒出一头粉红色的大象。模型也有类似的毛病为了处理不要提到 A这句话它得先在自己当下的注意力里把 A 摆出来、过一遍结果反而让 A 更容易在回答里冒出来这个问题在会自己深度思考的推理模型身上还更明显。所以这条经验没有失效反而是被后来的研究进一步验证、讲得更清楚了。图 4左侧示意负面提示可能强化被禁止概念右侧示意明确替代行为通常更容易得到稳定结果。长内容要分清楚哪块是哪块。这个思路其实和前面说的分块写清楚是一脉相承的只不过这一年多了一种更严谨的分块方式。如果你的提示词里既有背景资料又有具体要求还夹杂着例子光靠几个 Markdown 小标题有时候还是不够模型偶尔还是会分不清这句话到底是背景介绍还是任务要求尤其是当资料本身很长的时候。这时候用 XML 标签一对尖括号组成的记号把不同部分严丝合缝地框起来就更管用比如把资料部分用资料和/资料包起来把要求部分单独放在别的位置。这就跟收拾快递包裹一个道理东西分门别类打包、贴好标签对方拆开的时候才不会看花眼。这个做法后来也被验证是对 Claude 系列模型格外管用的一招因为它训练的时候就见过大量这种带标签的文本。不过这条到了 2026 年也被收窄了适用范围。如果提示词本来就短、逻辑也简单加不加标签模型理解得都一样准硬套标签反而白白多花 token。真正用得上标签的场景收窄成了内容比较长大致超过五百字这个量级、里面分好几个逻辑段落或者输入的内容本身可能被模型误认成指令这几种情况。而且这条经验也开始分模型了Claude 系列还是更吃 XML 标签这一套OpenAI 这边官方更推荐改用 Markdown 小标题分块效果差不多但更省 token。说到底就是同一个道理手段要配得上问题的复杂程度问题本身不复杂就不用非上重装备。该给例子的时候给但别乱给。例子确实好用但如果给的例子风格不统一或者跟你真正想要的效果对不上反而会把模型带偏。所以这个阶段大家更强调例子的质量而不是数量一两个贴切的例子往往好过五六个东拼西凑的。语气和格式模型会模仿你。如果你希望它写得正式那你提问的时候也用比较正式的措辞如果你想要它写得轻松随意你自己问话的语气也放轻松。模型会不自觉地照着你说话的调子来回应这也是为什么同一个问题换一种问法出来的文风都会不一样。把不变的部分放前面会变的部分放后面。也是这一年Anthropic 和 OpenAI 先后上线了一个叫提示词缓存Prompt Caching的功能先是 Anthropic 在 8 月宣布紧接着 OpenAI 在 10 月跟进。如果这次请求里开头一大段跟上次请求一字不差比如固定的系统设定、固定的背景资料服务器就能直接照搬上次已经算过的结果不用重新算一遍请求既快了花的钱也少了。但这个功能有一个前提一字不差的那部分必须老老实实待在提示词最前面只要中间插进一点点变化后面能省的那部分也就跟着作废了。所以从这一年开始写提示词多了一条新的讲究把不常变的规则、背景放在最前面把每次都不一样的具体问题放在最后面。这个想法其实也是再往后要讲的上下文工程的一个朴素雏形——早在真正开始琢磨该怎么打理 AI 眼前那一整套信息之前大家已经先在琢磨提示词里到底哪部分该稳定不变、哪部分该灵活变化了。图 5提示词缓存只复用从开头起连续且一字不差的前缀前缀一旦被变化内容打断后面的固定内容也不能继续命中缓存。也是在这个阶段大家慢慢达成了一个共识提示词写作已经不只是找一句管用的咒语了它变成了一件需要反复调整、反复对照结果来打磨的事情跟写文章改稿子有点像写第一版从来不是终点。术语速查词意思XML 标签 | XML tag用一对尖括号把提示词里不同的部分框出来方便模型分清边界系统提示词 | System Prompt [常用]提前设定好、贯穿整个对话的规则和身份说明负面提示 | Negative Prompting [常用]只说不能做什么、不说该做什么的写法容易让模型摸不准方向上下文缓存 | Context Caching [常用]把提示词里没变过的部分直接复用上次的计算结果省时间也省钱3. 2025 年模型学会了自己打草稿2025 年一批新的模型出现了它们有一个共同点拿到问题以后会先在心里自己盘算一遍才把最终答案说出来。这种模型通常被叫做推理模型Reasoning Model代表性的比如 OpenAI 的 o1、o3还有 Claude 的深度思考模式。这批模型一出现前面标注过的那三条 2023 年老技巧——角色扮演、思维链、小样本示范——差不多都在这一年打了折扣具体原因回头翻翻上面的批注就能看到这里就不重复了。OpenAI 官方也直接给出了建议对这类模型不需要再教它怎么想只要把问题和目标说清楚就够了剩下的交给它自己去想。这也带出了这个阶段一个很关键的转变说清楚要什么而不是替它规划该怎么想。以前对着能力有限的模型我们习惯把解题步骤都提前写好一步一步喂给它。但推理模型更擅长自己拆解问题你如果把步骤框得太死反而限制了它。这时候更好的做法是把最终想要的结果、要满足的条件说清楚比如明确说给出的方案预算不能超过五百块然后把具体怎么算、怎么推的自由交还给模型。图 6面对推理模型应明确最终结果和约束条件把具体的分析与推理过程交还给模型。到了 2026 年这个思路又往前走了一步连该给它多少空间去想想太久会不会耽误事这类问题也开始不用你手动操心了。比如 Claude 从某一代新模型开始直接取消了手动设置思考时长的接口改成一个叫力度Effort的档位你只管把这个档位调高调低具体想多久、怎么想交给模型自己动态决定OpenAI 那边则是直接建议开发者对着推理模型完全不用再写一步步想这类思维链提示。这跟前面说的道理一脉相承模型自己能打理好的事情就不再需要你手把手教了。与此同时同一年 OpenAI 也针对当时最新的一批模型出了一份很详细的《GPT-4.1 Prompting Guide》核心意思是这批模型对指令的理解已经变得非常直白你说什么它就照做什么不会像早期那样自己脑补你的言外之意。这既是好事也是提醒——好事是只要你说清楚它就能做到位提醒是如果你的话本身含糊它也不会自动帮你圆回来而是会照着字面意思去做容易做出跟你预期不一样的结果。所以这份指南里反复强调的一件事就是把每一条要求都写得明明白白不要留模糊地带。也是这一年一家做 AI 智能体Agent产品的公司 Manus 发了一篇文章《Context Engineering for AI Agents: Lessons from Building Manus》第一次把上下文工程Context Engineering这个词真正炒热了起来。他们说得很实在AI 要是只回答一个问题那琢磨这句话怎么问确实就够了。可他们做的产品要让 AI 连续干几十步活比如自己上网查资料、写文件、跑代码一步接一步做下去。这种情况下光顾着开头那一句提示词根本不够看真正决定任务能不能做成的是每一步开始之前AI 的上下文里到底装着哪些东西早前查到的资料要不要留在上下文里、什么时候该被清出去、做错的那一步要不要留个痕迹提醒它别再错第二次。他们把这一整套什么时候该让什么内容进入上下文又该在什么时候把它清出上下文的门道叫作上下文工程。这跟前面说的道理是一脉相承的模型每一步的判断都基于它当下的上下文那么谁能把这份上下文打理得干净、及时、恰到好处谁就能让模型发挥得更稳。图 7Three buckets are successive snapshots of the model’s context; the changing information composition, not the opening prompt alone, determines what the model can use at each step.管好上下文不光是让模型发挥更稳还有一笔实实在在的账前面 2024 年那节说过的提示词缓存省的就是上下文里那些反复出现、没有变化的部分。按官方公布的价目表Anthropic 这边命中缓存的部分只按原价的一折收费OpenAI 那边打五折。也就是说同一段背景资料、同一套工具说明如果能让它老老实实待在上下文里被反复命中缓存而不是每次都被换掉重新计算一套流程跑下来能省下的钱相当可观。这也是为什么上下文工程不只是一个让模型表现更好的技巧同时也是一笔要精打细算的成本账。术语速查词意思推理模型 [常用] | Reasoning Model会先在后台自己一步步推敲再给出最终答案的模型思考块 | Thinking Block推理模型在正式回答前自己生成的那一段推敲过程思考力度 | Effort [常用]控制推理模型思考深度的档位你只调档位高低想多久、怎么想交给模型自己决定智能体 [常用] | Agent能自己拆解任务、调用工具、连续干很多步活的 AI 程序上下文工程 [常用] | Context Engineering琢磨在任务进行的每一步该让什么内容进入上下文、什么内容该被清出去4. 2026 年也就是现在给 AI 配一套工具箱上下文工程这个思路虽然重要但它更多是在说该注意什么并没有说清楚具体该怎么做。如果每家公司、每个人都要自己从零摸索一套管理上下文的机制那也太累了。于是 2025 年年底Anthropic 在一篇叫《Equipping agents for the real world with Agent Skills》的博客里拿出了一套具体的落地方案叫 Skill。这套方案火起来的速度超出预期Anthropic 干脆把它整理成一份任何公司都能照着实现的公开规范短短几个月里OpenAI、Google、微软这些公司的产品也陆续跟着支持了同一套 Skill 文件格式。这意味着你给一个工具写的 Skill换到另一家公司的工具里往往也能直接拿来用不用重写一遍。Skill 解决的正是上面说的那个问题与其把所有任务的操作说明一股脑全塞进上下文不如提前把不同任务的说明整理成一份份独立的文档放在一边。你可以把它想象成一套工具箱每个 Skill 都配了一张小卡片卡片上只写着这个 Skill 是干什么用的。AI 平时只需要扫一眼这些卡片知道工具箱里都有些什么这些卡片本身占不了上下文多少地方。真轮到要用某个 Skill 了它才会把这份 Skill 完整的说明书读进上下文里细看。这样一来AI 手头能用的 Skill 再多上下文里需要一直背着的内容也不会变多需要的时候又总能精准地把最详细的那一份说明找出来、放进上下文。你会发现Skill 正是把上下文工程那句该在什么时候让什么内容进入上下文的道理做成了一套大家都能直接照着用的通用方案。图 8Skill 让大量任务知识不必常驻上下文而是在真正需要时按需加载。不过这里要说清楚一点Skill 解决的只是上下文工程里该在什么时候让什么内容进入上下文这一半问题。前面 Manus 那篇文章说得很清楚上下文工程还有另外一半是该在什么时候把内容清出上下文这一半 Skill 并不管得靠 AI 助手外面那一整套让它真正运转起来的运行框架来解决这套东西现在有个专门的说法叫 Harness原意是套在马身上、让马能拉车的那副挽具这里指的是让模型真正干成活的那套外围机制。举几个例子一段对话越聊越长眼看就要把上下文塞满了Harness 得知道什么时候该把前面一大截对话浓缩成一段摘要重新开一轮干净的上下文这个动作叫压缩CompactionAI 调用工具查了一大堆资料这些资料在刚查完那会儿有用可再往后翻几十轮对话多半就用不上了Harness 也得知道该找个时机把这些过时的工具返回结果清出去腾出地方给后面真正要用的内容再往大了说如果一个任务里有一步特别吃上下文比如要翻查一整个代码库Harness 还可以专门开一个用完即扔的子智能体Sub-agent让它自己在一个独立干净的上下文里把这一步做完只把最后的结论带回来不把翻查过程中攒下的一堆碎片塞回主线的上下文。这几件事都不是靠一份 Skill 文档能包办的得写进 Harness 本身的运行逻辑里让它在合适的时候自动去做。也就是说Skill 管的是该拿什么进来Harness 管的是该把什么送走两者合在一起上下文工程这件事才算被真正落了地。图 9Skill 负责按需加载内容进入上下文Harness 负责压缩、清除和隔离不再需要的内容。回头看这四年你会发现一条挺清楚的线索模型越来越聪明我们要替它操心的细节反而越来越少但我们要考虑的范围却越来越大——从一开始只想着怎么把一句话说得巧妙到后来开始想清楚该给它的上下文里放哪些信息、该怎么把一堆资料和工具整理得井井有条。这跟带一个新人是差不多的道理一开始你得手把手教他每一步该怎么做等他真的成长起来了你要操心的就变成了给他一个清楚的目标再把他做事需要用到的资料和工具提前摆放整齐。术语速查词意思技能 | Skill [常用]Anthropic 提出的通用方案把某一类任务的操作说明整理成独立文档AI 需要时才把它读进上下文运行框架 | Harness [常用]AI 助手外面那一整套让它真正跑起来的运行机制负责调用模型、执行工具、管理上下文该留什么该清什么上下文压缩 | Compaction对话快把上下文塞满时把前面一大截内容浓缩成一段摘要、重新开一轮干净上下文的做法子智能体 | Sub-agent由主 Agent 派出来的专门处理某个子任务、用完即扔的智能体只把最终结论带回主线不把中间过程也带回来5. 技巧一直在换代这个循环倒是没变走完这四年你应该也发现了没有哪一种提示词写法是能用一辈子的它会一直跟着模型本身的进化换代。这中间其实藏着一个循环我们这些用的人在日常摸索出一种好用的提示词写法某种程度上是在替模型厂商标出模型现在还欠缺什么、得靠人从外面补一手。厂商看到这个规律之后往往不会满足于让全世界的用户每次都手动补这一手而是想办法直接把这种能力练进模型本身。等这件事做成了原来那句好用的提示词也就跟着一起退休了。图 10循环表达的是能力被模型吸收后用户仍会继续发现新的缺口并形成新的外部补偿不表示严格按年份整齐发生。前面标注过的思维链和角色扮演正好都是这个循环的例子思维链被厂商直接练成了推理模型自带的思考块Thinking Block角色扮演的效果被后训练悄悄内化进了模型的默认行为。两条老技巧都还在只是不再需要我们从外面手动补了。所以其实我们摸索出的每一个好用的提示词技巧都是在给下一代模型的训练提需求模型每往前走一代就会把上一代最常见的那几个技巧悄悄吸收进去然后把提示词这件事的门槛往后再推一格。不过这里要提醒一句前面按年份划出来的这几套规则说的都是每一年最顶尖的那批模型也就是大家常说的前沿模型。如果你手头用的是一个能力比较弱的模型比如某些小体量、专门为省钱和速度做过裁剪Pruning的模型它的水平可能压根还没走到前沿模型那一年的台阶上。这种时候一两年前那些看着有点过时的老办法往往还是好使的该用照样用不用觉得掉队。判断该用哪一年的招数标准不是日历翻到了哪一年而是你手头这个模型实际站在哪个能力台阶上。图 11选择提示词技巧的标准是模型当前的实际能力而不是日历上的年份能力较弱的模型仍可能适用较早的技巧。而且这份打磨不会在某一年戛然而止就算是前面 2024、2025 年才总结出来的经验一样在被不断地重新审视。前面提到的负面提示、XML 标签、给例子这几条就是现成的例子负面提示没有过时反而被后来的研究讲得更透彻了XML 标签也没有失效只是适用的场合被收窄了简单的提示词已经用不上它给例子这条更是直接被坐实成一条更严格的规矩例子一旦超了量效果掉得比最初想象的还要猛。所以说到底这几年唯一没变的一件事就是这些经验本身还在持续被打磨、被重新验证这个过程。术语速查词意思裁剪 [常用] | Pruning把训练好的大模型里贡献较小的部分砍掉换来更小体量、更快速度的压缩做法6. 有一条规则大概率不会变乔哈里视窗前面讲了一大堆会过时的技巧那有没有什么是不太会变的还真有一个只不过它不是哪家公司提出来的而是心理学里一个很老的概念叫乔哈里视窗Johari Window。它是 1955 年两位心理学家提出来的本来是用来分析人和人之间沟通的。思路很简单把两个人之间的信息按自己知不知道和对方知不知道分成四块。这四块拿到人和 AI 的沟通上套得出奇地合适双方都知道的简单说。这是最省心的一块。你想问的东西AI 也早就见过、答得上来这种时候不用绕弯子直接把话简单说清楚就行。AI 知道、你不知道的提问题。这一块正好反过来用。你自己也说不清具体要什么、或者压根不知道有没有更好的思路这时候最该干的事是多问 AI 几个问题把它知道、你不知道的东西给套出来。你知道、AI 不知道的喂模式。这一块最容易被人忽略。你的作业要求、你项目的具体背景、你脑子里那些没写出来的想法AI 从来没见过、也猜不到。这种时候不管模型多聪明都得靠你主动把这些信息喂给它它才有办法接得住。这其实就是我们前面反复提到的结构化提示、上下文工程在干的事——把这一块你知道、AI 不知道的信息想办法喂完整变成双方都知道。双方都不知道的开放聊。这一块最有意思谁都没有现成答案这时候不如把它当成一次开放式的聊天跟 AI 一起头脑风暴说不定能碰撞出点新东西。图 12四个区域分别表示双方都知道时“简单说”AI知道、你不知道时“提问题”你知道、AI不知道时“喂模式”双方都不知道时“开放聊”。你会发现这四块和模型是 2023 年的还是 2026 年的其实没什么关系。不管模型进化到多聪明你项目里的具体背景它还是不会自己知道还是得你亲手喂进去你自己也说不清的模糊想法还是得靠多问几句去把思路理清楚。表面的技巧换了一茬又一茬但先想清楚该往哪个方向努力再决定要问、要喂、还是要一起聊这条底层逻辑大概率会一直管用下去。术语速查词意思乔哈里视窗 [常用] | Johari Window把两人之间的信息按自己知不知道对方知不知道分成四块的沟通模型这里用来分析人和 AI 该怎么沟通