获课：xingkeit.top/17401/

提示词避坑指南：当AI开始胡说八道，别急着怪模型，先看看你怎么问的

第一次遇到模型“跑偏”的时候，我的反应和大多数人一样：“这模型也太蠢了吧？”我明明问的是“如何优化数据库查询性能”，它给我扯了一堆“数据库的哲学意义”。后来反复调试才发现，我的提示词开头写着“请从哲学角度思考”——模型老老实实执行了，只是执行结果不是我想要的。那次之后我明白了一个道理：模型跑偏，十次里有九次是你提示词里埋了坑，模型只是在“精准地执行你给出的模糊指令”。

把大模型当成“顶级实习生”，而不是“百科全书”

我对大模型能力的一个核心认知是：它像是一个知识储备极其丰富、但社会经验为零的实习生。 你知道什么它可能都知道，但如果你不给明确的指令边界，它就会用自己的方式“补全”你的意图——而这种方式往往不是你想要的。

实习生最大的问题不是能力不足，而是“过度理解”或“过度发挥”。你说“帮我写个方案”，它可能写出十页；你说“简单说明一下”，它可能只写三行。模型也是一样——它没有“用户到底要什么”的判断力，只能按你字面上的意思执行。你的提示词没有明确“不要编造数据”，它就敢给你编参考文献；你没有说“不确定就直说不确定”，它就敢硬答一个错误答案。

所以提示词的第一原则是：把模型当成一个聪明但缺乏常识的助手，你要替它补上“常识”那部分——哪些能做、哪些不能做、不确定时怎么办、回答的格式是什么、侧重点在哪里。 这些在和人对话时不需要说明的“潜规则”，和模型对话时全部要写清楚。

跑偏的根本原因：提示词不够“窄”

模型跑偏最常见的原因，是你的提示词开得太大、边界太模糊。你问“介绍一下机器学习”，模型可能从1950年图灵测试开始讲，最后讲到最新的Transformer架构——你说“跑偏了”，但模型觉得自己讲得挺全面。其实问题出在你没有告诉模型“从哪里开始、到哪里结束、重点讲什么”。

我现在的做法是：给提示词加“硬边界”。 比如不是问“介绍一下机器学习”，而是问“用不超过300字、面向产品经理、重点讲机器学习能解决什么业务问题，不讲技术原理”。有了这些约束，模型回答的“漂移范围”被压缩到很小，基本不会跑出你划的圈子。

另一个有效的方法是：在提示词里加入“排除项”——明确告诉模型什么不要做。“不要列出公式”、“不要分点列举”、“不要提其他产品的对比”——这些负面约束和正面要求同样重要。因为模型不知道哪些内容对你不重要，你不说它就会按照默认的“全面回答”模式输出，而“全面”往往意味着“偏离你的重点”。

幻觉的源头：模型把“编造”当“创作”

幻觉问题可能是最让开发者头疼的——明明数据库里没有的信息，模型能头头是道地编出一整套。我见过最离谱的幻觉，是问一个具体产品的发布时间，模型给了个日期、版本号、甚至“发布当天CEO的发言摘要”——全是编的，但编得像模像样。

为什么模型会产生幻觉？原因说起来其实很简单：大模型的训练目标从来不是“说真话”，而是“生成看起来像话的文本”。 对于模型来说，“编一个合理的答案”和“说出正确答案”在训练过程中得到的奖励可能差不多——只要文本流畅、逻辑自洽，它就是“好”的输出。它没有“诚实”这个内置驱动力。

解决幻觉问题的思路不是“让模型变得更诚实”，而是让模型学会说“我不知道”。而模型只有在你的提示词允许它说“不知道”的时候，才会选择说不知道——因为默认情况下，它倾向于“给出一个答案”，哪怕这个答案是编的。你要在提示词里明确写：“如果信息不足或不确定，请直接回答‘信息不足以回答该问题’，不要猜测或编造。”

但光靠这一句还不够。在RAG场景下，我还会加入一条规则：“回答必须严格基于提供的参考文档，如果文档中没有相关信息，明确告知用户‘资料库中未找到相关内容’，不得补充外部知识。”这一条直接切断了模型“用训练记忆补全”的路径——你只让它当“文档的转述员”，而不是“知识的创作者”。

结构化提示词：把“模糊”变成“清晰”

很多开发者写提示词的习惯是写一段自然语言描述需求，然后期望模型能理解。但自然语言本身就是有歧义的——你说“详细一些”，什么叫详细？你说“专业一点”，什么水平算专业？这些模糊词汇在不同人、不同场景下的含义完全不同，模型只能猜。

我的解决方案是：把提示词结构化成几个明确的模块，每个模块解决一个具体问题。

• 角色定义：你是谁？（“你是一名资深后端工程师，擅长数据库优化”）

• 任务描述：你要做什么？（“分析下面这段SQL并给出三条优化建议”）

• 输出格式：结果长什么样？（“每条建议用一句话概括，总字数不超过200字”）

• 约束条件：不能做什么？（“不要解释底层原理，只给出可操作的建议”）

• 不确定性处理：不知道怎么办？（“如果不确定，请直接说明”）

这种结构化提示词就像给你的需求画了一张蓝图，模型的“发挥空间”被严格框定。它不会再误解你要的“详细”是“写十页论文”还是“多写三行”——因为你已经明确规定了输出格式和边界。

防跑偏的“三重校验”习惯

我现在的写提示词流程里，有一个“三重校验”的习惯：

第一重：写完提示词后，自己问一遍“如果我是模型，会怎么理解这句话？” 如果发现有多义性的表述（比如“介绍一下”），就把它换成明确指令（“列出三点核心要点”）。这一步是在源头减少歧义。

第二重：第一次运行后，检查输出是否完全符合约束条件。 如果它超出了字数限制、用了不该用的格式、或者提到了要求排除的内容，说明约束条件写得太弱，需要强化关键词或加入重复强调（比如把“不要列出公式”换成“绝对禁止列出任何数学公式”）。

第三重：多次运行相同提示词，观察输出的一致性。 如果同样的问题每次答案差异巨大，说明提示词的约束力度不够，模型的“自由度”太高了。这时要增加更多限制条件，减少模型“可选的路径”。

这三重校验看起来繁琐，但实际操作下来，每次新写提示词多花5分钟，能省掉后续半小时的纠偏和重跑时间。性价比极高。

提示词的本质是“沟通”

回到最初的那个问题——为什么AI会乱答、跑偏、幻觉严重？我的结论是：因为你和模型之间没有建立“共识”。 人和人对话时，有很多不言自明的共识——我知道你不会编数据、你知道我说“详细”是什么意思、我们都默认回答要准确有用。但模型没有这些共识，它的“默认行为”是基于训练数据里的统计规律，而不是基于和你之间的默契。

所以写好提示词的本质，就是和模型建立一套明确的、无歧义的“沟通协议”——你要什么、不要什么、边界在哪、出问题怎么办。这份协议写得越清楚，模型的回答就越精准。而那些“乱答、跑偏、幻觉”的现象，其实都在告诉你同一件事：你们的协议还没签好。

我突然觉得，提示词工程师这个岗位听起来很唬人，实际上做的最多的事情，就是不断地、反复地、不厌其烦地把模糊的人类意图翻译成模型能精确执行的指令序列。这门手艺听起来不性感，但用好了，它就是解决AI“胡说八道”最直接、最有效的方法——比任何复杂的模型微调都立竿见影。