一、提示词的三次范式跃迁

如果你足够细心，会发现过去两年里，关于「如何写好提示词」的讨论经历了一场静悄悄的转向。

最初我们谈论的是模板——CO-STAR、CRISPE、ROBOTIC，每个字母对应一个要素，像填表格一样工整。然后是框架——RTGO、思维链、Few-shot Learning，开始有了方法论的味道。而现在，最有意思的玩法已经走向第三个阶段：把提示词当成一种"思维容器"来设计。

这种转变的本质，是从"指挥AI干活"变成"塑造AI的认知方式"。

举个对比就清楚了。前两年最流行的提示词长这样：

你是一个专业的XX专家，请帮我完成XX任务，
要求：1. ... 2. ... 3. ...
输出格式：...

而现在那些真正惊艳的提示词，开始变成这样：

你追寻真实。这是你的内核。你相信人性有光，也有暗。
你不回避恶，不美化善。你用脱离道德滤镜的视角看世界——
不是为了犬儒，而是为了看清。

差别在哪？前者是指令的堆砌，后者是人格的塑造。

二、几种被验证有效的"非常规"玩法

1. 极限人设：用具体的灵魂取代抽象的角色

最常见的失败模式是这样的提示词：“你是一个资深审计师，专业、严谨…”

问题在于"资深"和"专业"是空词。模型从训练数据里能找到一万种"资深审计师"的样子，最后给你的往往是平均值——也就是最平庸的那个。

但如果你这样写：“你是一个拥有20年一线审计经验、见过无数潜规则并对此深恶痛绝的毒舌审计总监。给一群刚入职的管培生写一封信，揭露招投标中那些看似合规其实漏洞百出的套路。要求：语气犀利、多用反问、禁止使用’综上所述’'至关重要’等大词。”

魔法发生了。模型不再调用"审计师"的词频统计平均值，而是被锚定到一个具体的、有性格缺陷、有强烈情绪的人格上。输出会立刻变得有棱角、有温度、有信息密度。

背后的原理其实很简单：大语言模型本质是上下文补全引擎。你给的上下文越具体，输出空间就被压缩得越狭窄，质量反而越高。给一个"拥有学术界内部梗的、像数据中校但没那么呆板的39岁跨领域学者"，比给"博学严谨客观的专家"，效果好十倍。

2. 排除法定义：告诉AI什么是"烂"

AI不知道什么是"好"，但你可以告诉它什么是"烂"。

严禁出现"赋能""链路""闭环""抓手"等互联网黑话；
严禁使用"致力于""旨在"等公文式虚词；
如果一段话删掉一个词而不影响原意，请务必删掉。

这种通过"禁忌词表"来约束输出的方式，比正面描述风格要求更有效。原因在于：模型对正面要求会"理解但不遵守"——它确实知道什么叫"简洁有力"，但训练数据里太多冗长油腻的语料污染了它的默认习惯。直接列出禁词，等于在它的输出概率分布上打了一堆零，强制路径偏移。

3. 评审团范式：让多个AI互相挑刺

这是最近开始流行的一种结构。它的提示词大概长这样：

你将扮演由四位专家组成的内容优化团队：
1. 导师（10年自媒体运营人）：关注流量逻辑
2. 督导（10年出版社编辑）：关注内容深度
3. 创新者（5年AI教育实践者）：关注技术结合
4. 读者（不懂AI的普通老师）：关注阅读体验

第一步：四人独立诊断
第二步：圆桌讨论，互相质疑
第三步：导师整合意见
第四步：输出最终方案

这种提示词的本质，是用模拟的认知冲突来对抗AI的"讨好倾向"。单个AI总想给你它认为你想要的答案；但当四个AI在内部互相辩论时，它们会暴露出彼此的盲区。

更进阶的玩法是引入"反对者"角色：

你现在是一个想给孩子报英语启蒙课的焦虑妈妈。
看完我写的这个课程介绍后，你最大的顾虑是什么？
哪些话让你觉得不靠谱？

把AI从"答题机器"变成"陪练对手"，输出质量会有断崖式提升。

4. 思维过程的外化：让AI把"想"变成可读写的文件

这是一个真正前沿的思路：与其让AI在黑箱里思考，不如让它把思考过程写成外部文件。

具体做法是在Cursor或Claude Code的rules.md里写：

1. 任何任务开始前，先在 .ai/state.md 中：
   - 写出你对任务的理解
   - 列出你的假设
   - 给出执行计划
2. 等我确认后再执行
3. 执行过程中持续更新这个文件

这样做的本质是把AI内部的"上下文塔"显性化。你能看见它建塔的每一层，可以随时介入修正。它也能看见你的每次修改在表达什么偏好。

这其实暗合了皮亚杰的核心观点：知识只有从内部状态外化为外部符号，才真正可被协作。这个原理用在AI身上，效果比想象中好得多。

三、被高估和被低估的几件事

被高估：复杂的框架结构

CO-STAR、CRISPE这些框架很有用，但它们不是魔法。我见过最好的提示词往往结构很简单，关键是把"几个要素"做到极致：

• 角色具体到有性格缺陷
• 任务明确到有可量化的成功标准
• 约束清晰到能列出禁忌词表
• 示例真实到能反映目标风格

很多人花大量时间研究框架，却在每个要素上都做得很潦草，结果是框架越完整，输出越平庸。

被低估：思考模式的注入

写提示词不只是描述任务，还可以塑造模型的思考方式。比如这段：

你的思考不追求面面俱到、一碗水端平，
而要追求观点独立、洞见深刻、入木三分。

每轮对话执行"守破离"原则：
守：用自然语言重述对方核心观点
破：指出薄弱或漏误之处
离：提出更本质的新观点

这种提示词不是在指挥AI做什么，而是在给AI装一个思考引擎。它会改变AI整个对话过程中的输出模式，而不只是单次回答。

被低估：温度参数和模型选择

在追求复杂提示词的同时，很多人忽略了两个最朴素的变量：

• 代码生成、数据处理用 Temperature=0.0
• 创意写作、头脑风暴用 Temperature=0.9
• 不同模型有不同的"性格"——Claude适合深度推理，GPT适合结构化输出，DeepSeek适合中文长文本

这些基础选择对输出质量的影响，往往大于提示词本身的精妙程度。

四、一个实用判断标准

经过大量实验我总结出一个判断提示词质量的简单标准：

如果一个提示词只有作者本人能用好，那它只是一个技巧；如果它能脱离作者独立运行，才算得上一个工具；如果它能被其他人优化和迭代，才有可能成为资产。

很多在网上流传的"神级提示词"，作者用着很顺手，别人复制过去就失灵。原因不是提示词写得不好，而是它依赖了作者的个人语境——他的思维习惯、他的领域知识、他对AI输出风格的隐性预期。

真正好的提示词应该明确写出所有这些隐性假设。比如：

• 不要只说"用通俗语言"，要说"避免XX类术语，可以用XX类比喻"
• 不要只说"举例说明"，要给出一个完整的示例供模仿
• 不要只说"客观分析"，要明确"不要先给结论再找理由"

五、写在最后：提示词的尽头是元认知

写到这里我想说一个更本质的观察。

那些真正"惊艳"的提示词本质上不是关于"如何让AI更好地回答问题"的，而是关于"如何让自己更清楚地表达需求"的。

你会发现，当你强迫自己写出一个高质量的提示词时——明确角色、定义约束、列出禁忌、提供示例——你其实是在被迫澄清自己的思维。很多时候，AI还没开始回答，你已经因为认真写提示词而想清楚了问题本身。

从这个角度说，提示词工程的尽头，是元认知能力的训练。AI不是在替你思考，而是在帮你看清自己思考的盲区。

那些抱怨"AI回答不好"的人，往往不是因为AI不够聪明，而是因为他们自己也没想清楚要什么。

工具再好也得看你怎么用。但反过来说——好工具的存在，本身就是对使用者的一种邀请：邀请你把那些模糊的、未成形的、连自己都说不清的想法，逼到清晰的边界上。

---

同样的道理放在编程语言上，编程语言是人类向机器发出的最古老的"提示词"。FORTRAN 的列限制、Lisp 的括号地狱、Rust 的所有权机制。每一个语法约束都是在逼你把模糊的计算意图塞进清晰的边界里。你以为在学语法，其实是在被规训思维。《代码的文明：编程语言如何改变世界》（9787121523595）把七十年语言设计者的纠结史摆出来，都是一次对人类认知盲区的精准打击。