SH_ZMD的分享站

为什么你的大模型总像个“笨蛋”？

前几期我们把 API Key、Cherry Studio / RikkaHub 客户端、Codex / ZCode 等各类 Harness，以及各大主流大模型的“专武”配置都盘了一遍。

按理说，专务都已经给你配齐了

但是最近后台和评论区里，总有朋友问我这么几个问题：

“为什么我花钱买了最好的模型，问它点实际问题还是车轱辘话满天飞？”

“为什么让它写个方案或者改个代码，它净瞎编一些不存在的逻辑和函数库？”

“为什么别人用 AI 像神仙外脑，我用起来感觉它像个纯纯的弱智？”

其实这个问题特别好回答——大模型的大脑没有问题，是你给它的指令（Prompt / 提示词）压根没给对！

就像你去吃饭，服务员问你想吃什么，你回了一句：“给我弄点好吃的”。那厨师给你吃什么，不能太咸，不能太辣，不能太甜，甚至不能太鲜，因为有人不能吃海鲜

一、大模型到底在干嘛？别把它当神仙，也别把它当百度

大模型（LLM）的底层逻辑说白了非常纯粹：预测下一个 Token（词元）出现的概率。

当你给它一句模糊不清的提示词（比如“写个方案”），它脑子里会有几万种概率分支——它可以写成小学生作文，也可以写成世界五百强财报，还可以写成玄幻小说。

因为你没有给它任何边界，它只能挑一个“在统计学上最平庸、最安全、最挑不出大毛病”的中间答案给你，这就是你觉得它“净说正确的废话”的根本原因。

提示：提示词（Prompt）的作用，根本不是念咒语，而是用精准的信息把大模型的概率云，收敛压缩到你真正想要的唯一轨道上。

很多人觉得大模型神奇，其实它的威力来自于底层四项关键机制的配合：

规模效应（Scaling Law）：参数量和训练数据大到一定临界点，模型就会发生“大力出奇迹”的智能涌现，不再是死记硬背，而是掌握了语言规律；
迁移学习：在一个领域学到的逻辑抽象能力，能自然迁移到完全陌生的行业，具备举一反三的通识能力；
上下文学习（In-Context Learning）：不需要重新训练模型，只要在对话里给它提供几组示例或背景，它就能在几毫秒内即时学会并模仿你的风格；
注意力机制（Attention）：大模型能在几千上万字的上下文里，精准定位“哪个词和哪个词最相关”，从而保持严密的逻辑连贯性。

二、残酷的现状：为什么 90% 的人觉得 AI“不过如此”？

某科技公司曾做过一组真实测试：让 100 名员工用完全相同的 AI 工具去完成日常工作任务，结果让人极其震惊：

10% 的高手：用 AI 把日常工作效率拉升了近 10 倍，每天少加班 4~6 个小时；
30% 的普通人：略微提升了点速度，但体感觉得“也就那样吧”；
60% 的小白：用了几次就骂骂咧咧地放弃了，觉得“AI 净扯淡，还不如我自己动手”。

工具是同一套，差距全在提示词。来看看两组真实对比：

案例 A：小白式问法（低效恶性循环）

用户：“帮我写个报告”
AI：[输出一篇假大空、通篇废话的通用模板]
用户：“不行啊，这不是我要的，重写一个！”
AI：[换了一套辞藻，依然没有任何干货]
（反复折腾 5 轮，耗费 1 小时，最后只能自己含泪手敲）

案例 B：高手式问法（10 分钟精准交差）

用户：
你是一位资深的数据分析专家。
请基于以下两组 Q3 季度营收数据：
"""
[粘入原始数据表格]
"""
为公司管理层撰写一份经营分析汇报。
重点分析：
1. 利润率同比下滑的核心归因；
2. 渠道获客成本异动情况；
3. 针对 Q4 的 3 条落地止血策略。
输出要求：
- 执行摘要控制在 150 字以内；
- 正文使用 Markdown 分级标题展示；
- 严禁空洞套话，每条策略必须附带具体执行责任部门与衡量指标。

结果 AI 在 15 秒内给出了一份结构严谨、逻辑扎实、直接能进 PPT 的高质量分析报告。

这就是现实：你喂进去的是垃圾，吐出来的必然也是垃圾（Garbage In, Garbage Out）。

三、OpenAI 官方指南精髓：降伏大模型的六大铁律

OpenAI 官方曾经专门针对 GPT 系列模型出过一套非常权威的 Prompt Engineering 指南，里面的核心心法可以精炼为以下 6 条硬核铁律：

1. 指令清晰具体，拒绝让模型猜谜

多花 30 秒补充背景和细节，能省下后面半小时的反复扯皮。

差指令：“谁是总统？”（AI 根本不知道你想问哪个国家、哪一届）
好指令：“2024 年墨西哥总统大选的获胜者是谁？请简述其核心执政纲领。”
指定输出长度：明确指出需要“一句话概括”、“300 字摘要”还是“2000 字详述”，大模型对长度限制非常敏感。

2. 提供参考文本，把“闭卷瞎编”变成“开卷抄作业”

大模型在处理专业领域或最新实时信息时极易产生幻觉（一本正经地瞎编不存在的事实）。

最稳妥的解决办法就是直接把事实依据喂给它，并严令它：“只能基于以下参考文本回答，如果文本中没有提及，请明确回答不知道，严禁脑补推测；回答时请引用原文关键语句。” 这样可以瞬间把幻觉率降到接近零。

3. 复杂任务拆成子任务，拒绝一口吞大象

不要试图一句话让大模型“先爬取数据，再做清洗，再出图表，最后写成 5000 字论文”。

大模型在处理过长思维链时容易走神断焦。正确的做法是流水线操作：

第一步：让它做提纲与信息抽取；
第二步：审查提纲并确认方向；
第三步：分章节逐段扩展输出。

如果文档极长，还可以采用“分段总结 -> 递归合并完整摘要”的子任务拆分法。

这个没那么重要，因为新模型新agent都会对这些进行优化，大多情况下会自己进行任务拆分，不过你还是可以规定怎么拆分，这样也更清晰。

4. 善用外部工具与负向约束

告诉 AI“做什么”往往只能解决一半问题，善用工具和负面排除能解决另一半：

调用外部工具：遇到精准算术让它写代码执行，遇到私有资料结合向量检索（RAG），遇到特定系统调用外部 API（正如我们在前几课讲的 Harness 与 Agent 工具箱）；
负向排除约束：“不要使用任何营销套话”、“不要输出开场白与客套话（如‘好的，这是一份...’），直接输出正文”、“严禁给出具体的医疗处方建议”。

四、提示词工程的 6 步标准实操工作流

有了公式，具体怎么落地？建议按照以下 6 步 SOP 进行：

需求分析（5 分钟）：想清楚自己到底要解决什么问题，受众是谁，有哪些输入材料；
初版构建（10 分钟）：写出第一版提示词；
测试运行（5 分钟）：把提示词扔给大模型，观察第一轮生成结果；
问题诊断（5 分钟）：找出回答中的瑕疵（是结构混乱、深度不够，还是语气不符？）；
优化迭代（10 分钟）：针对问题补充约束条件，或提供 1~2 个具体示例（Few-Shot）；
定型存档（5 分钟）：把最终效果惊艳的提示词保存到自己的备忘录或模板库中，下次直接复用。

五、写在最后：从“背咒语”到“工程化思维”

提示词不是一套死记硬背的代码。

很多人喜欢在网上收藏几万字的“神级提示词大全”，收藏完就扔进收藏夹吃灰，实际遇到问题还是抓瞎。

大模型的技术更新极快（从 GPT-4 到 GPT-5.6 / 6-Astra，从 DeepSeek-V3 到 V4.1），模型的推理能力越来越强，对提示词的容错率其实也是越来越高的。

我们真正需要培养的，是工程化拆解问题的思维：

第一轮（出草稿）：用 RTCON 框架把你的角色、任务和红线交代清楚，拿到第一版输出；
第二轮（查漏洞）：盯着第一版输出不满意的地方追问（“第二点的推导依据不够扎实，请补充真实案例”、“把语气改得更干练，删掉开头的废话”）；
第三轮（固化资产）：发现效果特别好的提问套路，顺手保存进自己的个人模板库，以后随时调用。

现在模型对提示词的要求越来越弱了，举个例子：你要写一篇老师布置的思政作文作业，你现在不需要告诉AI作业需要提及哪些思想，需要用什么修辞，因为AI现在很聪明了，节省了你百分之五十以上的提示词工程

但你仍然需要讲明白一些事情，比如你是一个大一学生，比如这个作业是思政作业，比如这个作业应该局限在哪本书，因为这些是给AI的身份边界。