输入框里的那句话已经改了几遍，标点都换了，回答还是绕开重点。很多团队遇到这种情形，常见反应是继续打磨提示词：加角色、加示例、加限制。提示词当然重要，但当一个大语言模型答非所问时，问题未必只出在那几行字上。
值得先检查的，是它到底拿到了什么，以及你希望它完成什么。提示词只是入口，不是全部上下文。
先看上下文是否完整
大语言模型并不会自动知道你的业务背景、文档结构、读者对象和隐含约束。它看到的是一段被截取、被转述、被重新组织的输入。如果关键定义只存在于会议纪要里，或者约束散落在前几轮对话中，模型很容易用通用知识补空。补出来的内容不一定离谱，却可能离题。
一个实用的动作是把输入拆开看：任务目标、背景材料、必须遵守的规则、输出格式、失败时如何处理。不是每一项都要写成长文，但缺了关键项，后面再怎么加“请认真思考”也难补回来。有时需要提供原文片段，有时需要明确术语在团队里的含义，有时只需说明哪些信息不能臆测。
任务边界有没有说清
另一个常见缺口是任务边界。用户说“帮我写个方案”，模型可能写出一份完整的框架；用户想要的是三段式提纲，却得到一篇长文。问题不在谁对谁错，而在“方案”这个词没有被拆成可执行的要求：给谁看、多长、包含哪些部分、哪些部分留空、什么情况下应该反问。
让模型反问并不丢人。对于信息不足的任务，允许它先确认缺失项，能减少看似完整却无法使用的输出。可以设置一个简单条件：当关键字段缺失时，先列出需要补充的信息，再给出暂定版本。这样既保留效率，也减少看似完整却无法使用的输出。
评估方式也会影响修改方向
改提示词之前，还要看你怎么判断结果。如果只凭一次对话的感觉，很容易把偶发问题当成稳定缺陷。一种稳妥的做法是记录一批真实任务，观察失败类型：是漏掉约束，是误解术语，是格式不稳定，还是把不确定内容说得太确定。不同失败类型对应不同修法，继续堆提示词未必有效。
大语言模型的输出有概率性，同一输入多次运行可能不同。评估时不必追求每次都一致，但要看关键约束是否稳定被满足。把“看起来不错”换成可检查的条件，修改才有方向。比如输出是否包含指定字段，是否引用了给定材料，是否在信息不足时明确说明。
- 先确认输入里是否包含完成任务所需的关键上下文；
- 把模糊任务拆成可观察的输出要求与失败条件；
- 用一组真实任务记录失败类型，再决定改提示词、补材料还是调整流程。
回到开头那个输入框。提示词可以继续改，但别把它当成唯一开关。大语言模型答非所问，常常是在提醒我们：上下文、任务边界和评估方式里，还有没被说清的部分。把这些部分补齐，提示词才可能成为有效入口，而不是反复试错的按钮。