周会前十分钟，同事把一段访谈录音转成文字，丢给模型：“帮我总结一下。”返回的是一份四平八稳的要点清单，语气客气，却看不出受访者究竟在担心什么。他把同一段文字重新发过去，这次补上了几件事：读者是谁、要保留哪些原话、哪些内容不能推断、输出成三栏表格、每条结论后面附上依据。结果没有变得神奇，但至少能直接放进会议纪要。
这个差别，多半不在“模型听不听话”，而在提示词设计有没有把任务说清楚。很多人把提示词当成咒语，以为换一个神秘句式就能让输出改头换面；实际更像是在写一份简短的工作说明书。说明书越含糊，执行者越容易按自己的理解填空。模型也是如此。
把期待摊开，而不是堆形容词
我见到的很多提示词，问题不是太短，而是把关键信息留在了写作者脑子里。比如“专业一点”“简洁一些”“要有洞察”，这些词对人有暗示，对模型却缺少可执行边界。专业是指术语密度、论证方式，还是语气克制？简洁是删掉背景，还是压缩句子？洞察是提出反常识判断，还是补充因果链？如果这些没有落到具体动作上，输出就只能靠猜。
一次有效的提示词设计，往往要先回答几个朴素问题：输入是什么，任务边界在哪里，输出给谁看，什么算完成。它不一定需要很长的模板，有时只是把“总结”拆成“提取争议点—保留三条原话—标出待确认信息”。这样做的好处不是让模型显得聪明，而是让结果可以被检查。能被检查，才有后续修改的基础。
- 背景：这段材料来自哪里，读者已经知道什么，不需要重复什么。
- 动作：是提取、归类、改写、对照，还是生成下一步问题。
- 约束：哪些信息不能编，哪些判断需要标注不确定，长度和格式如何。
- 验收：输出里应出现哪些字段，缺少时如何处理。
这里有一个容易被忽略的点：写提示词不只是“写一句好指令”，还包括安排输入顺序。把背景、材料、任务、格式分开，模型更容易分清哪些是资料，哪些是要求。相反，所有内容揉成一段，关键约束就可能被淹没。尤其在长文本里，前面说的“不要推断”很容易被后面的例子冲淡。与其反复强调，不如把禁止项放在靠近输出要求的位置，并给出遇到空白时的处理方式。
它能让任务变清楚，但不能替你做判断
也要承认边界。提示词设计能减少歧义，却不能让模型拥有它没有的信息，也不能保证每次输出都稳定。模型的回答带有随机性，同一提示词多次运行，措辞和侧重点可能变化。若任务涉及事实核查、敏感判断或责任归属，提示词只能作为流程的一部分，后面仍需要人来确认。把提示词写成“必须正确”并不会增加正确率，只会让错误看起来更自信。
所以我更愿意把写提示词看作一种沟通训练：先把问题想清楚，再要求模型按这个思路工作。它不神秘，也不万能。有用的部分，通常不是那句被反复转发的“神级指令”，而是你愿意花几分钟，把读者、材料、边界和验收标准写明白。模型答非所问时，先别急着换模型，看看那份工作说明书是不是还留在自己脑子里。