提示词的本质：同一个问题，为什么换种问法答案好十倍

「跟着 AI 学任何东西」系列第 3 篇。前两篇我们搞懂了两件事：AI 聊天助手是台「预测下一个词」的接龙机；它会自信地胡说，因为它优化的是「像真的」而不是「真的」。这一篇解决一个每天都在困扰你的实操问题——既然它答得时好时坏，那「怎么问」到底在操纵什么？为什么换一种问法，答案能好上十倍？

一个你八成也经历过的落差

你一定有过这种体验：随手问 AI 一个问题，它回你一段四平八稳、正确但没用的废话。你不甘心，换个问法——把背景交代清楚、要求它分步骤、甚至给它举个例子——它突然给出一个好上十倍的答案。同一个模型、同一个问题，就因为你「问法」变了。

这事儿听起来有点玄，像在念咒。但它一点都不玄，而且被人拿去做过很严格的实验。有一个结果夸张到我第一次看到时以为看错了：

一模一样的模型、一模一样的数学题，只在题目后面加上一句「我们一步一步来想」，正确率能从 17.7% 飙到 78.7%。 一个字都没多教，只是换了句话，正确率翻了四倍多。（这是 2022 年一篇论文的实测数字，来源见文末。）

问题来了：一句废话似的「一步步想」，凭什么有这么大的魔力？要讲清楚，得先把几个流行的误会拆掉。

关于「提示词」，流行的理解大多不对

「提示词」（prompt）就是你发给 AI 的那段话。围绕「怎么写提示词」，网上流传着一整套玄学，你多半也信过其中一条：

1. 「提示词是魔法咒语」：好像存在一串神秘口令，念对了就解锁 AI 的隐藏能力——「深呼吸」「我会给你小费」「这对我职业生涯很重要」。于是提示工程变成了背咒语。
2. 「提示词是给它下命令」：把它当成一个听得懂话的员工，你把指令说清楚，它理解了，然后照办。这个想象最接近，但也错得最微妙——它没有「理解指令再执行」这一层。
3. 「越长越客气越好」：把对人的社交直觉套到它身上，觉得说「请」「谢谢」、把话写得越详尽越礼貌，它就越卖力。

先把结论放这里：提示词既不是咒语，也不是命令。它是「上文」——你在给一台接龙机递一段开头。 想通这一点，前面那句「一步步想」的魔力就不再是玄学，而是有明确机制的。

回到接龙机：你写的每个词，都在给它「导航」

请把第一篇那台机器请回来：它永远在做同一件事——根据已有的一串文字，预测下一个最该出现的词，然后把预测出的词拼回去，再预测下一个。

关键在于：你的提示词，就是那串「已有的文字」。 它不区分「哪部分是你的命令、哪部分是它自己生成的」，在它眼里全都是一段连续的文本，它只负责往后接。

这句话一旦想透，「换个问法」的本质就清楚了：换个问法，就是换了一段上文；而上文，决定了它接下来往训练语料的哪一片区域去接龙。 你写的每一个词，都在悄悄地把它往某个方向推——推向严谨的、口语的、专业的、还是敷衍的那片文字海域。提示词不是开关，是导航。

理解了「导航」，就能看懂真正有效的提问，靠的是三个杠杆，每一个都对应一个实实在在的机制——而不是背咒语。

杠杆一：让它把过程写出来，而不是直接要答案

这是最反直觉、机制最硬的一条，也是开头那个「17.7% → 78.7%」的谜底。

回到逐词生成：模型每吐出一个词，花的计算量是差不多固定的。现在给它一道需要五步推理的题，如果你逼它「直接给答案」，它就只有一个词的位置来完成全部五步思考——算力根本不够，它只能凭「哪个数字看起来最像答案」赌一个。这就是为什么它心算复杂题常常错得离谱。

而你让它「一步一步写出来」，等于允许它把中间步骤摊在输出里：它先写第一步，这一步立刻变成后续的上文，把它约束到正确轨道上；再写第二步、第三步……每一步都为下一步铺好路。它不是突然变聪明了，是你递给了它一张草稿纸。 没有草稿纸，再聪明的人也算不出一道长题。

这一招业内叫「思维链」（chain of thought），是提示技巧里效果最扎实、被研究得最透的一个——因为它不是玄学，它直接对应「模型逐词生成、算力按词分配」这个底层事实。

杠杆二：给它两三个例子，而不是干讲要求

你想让它按某种格式或风格输出，与其堆一大串形容词（「要简洁、要专业、要有条理」），不如直接甩给它两三个「输入 → 输出」的样例。

原理还是接龙：例子摆在上文里，模型会自动锁定「接下来应该按这个模子接」。它不是「学会」了你的任务，而是从样例里提取出了体裁、格式、口吻，然后照着往下续。两个具体的例子，比十句抽象的要求精确得多——因为形容词还得它猜你什么意思，例子直接把答案的样子钉死了。（让 AI「看几个例子就上手」这件事，最早在 GPT-3 那篇论文里被系统研究，标题干脆就叫《语言模型是少样本学习者》。）

杠杆三：把资料喂给它，而不是考它记性

这条要接上一篇的教训。提示词能把它「导航」到语料里对的区域，但导不出它压根没有的东西。冷僻的知识、上个月的新闻、你自己文档里的私有信息——训练语料里根本没有，这时候再花哨的问法，也只是把它导到一片空地上，让它更流畅地编（这就是上一篇讲的幻觉）。

正确的做法是把资料直接贴进对话，让它「看着材料回答」，而不是「凭记忆回答」。你在聊天产品里看到的「联网搜索」「上传文档」，本质都是这件事：给那台没有事实开关的接龙机，临时外挂一个事实来源。 这不算什么提示技巧，但它是所有技巧里最能救命的一个。

但我没有全信——尤其要给「提示词玄学」泼盆冷水

老规矩，AI 教我的、网上传的，不核实不写。这一篇尤其要拆一个被吹过头的东西：

• 「角色扮演」被严重高估了。 教程言必称「你是一位资深律师」「你是顶级程序员」，好像给它戴顶帽子就能召唤出专家。真相更微妙：角色设定确实能稳定地改变它的语气、用词、体裁（让它说得更像律师），但对事实正确率的提升，2024 年的严肃研究结论并不一致——不少实验发现基本没提升、甚至偶尔更差，有篇论文标题干脆就叫《扮演专家并不能提升事实准确率》。所以：角色设定拿来调风格可以，别指望「自称专家」能让它少犯错。
• 那些「魔法咒语」大多是偶然。 「深呼吸」「我给你小费」这类口令，确实在某些模型、某些任务上被测出过一点点效果，但极不稳定、换个模型或版本就失效。它们不是原理，是偶然撞上的语料关联——今天灵、明天就未必。把它们当规律去背，性价比很低。
• 思维链的那两个数字（17.7%→78.7%、以及另一组 17.9%→56.9%）都已核实，分别出自 2022 年 Kojima 等人和 Wei 等人的论文。但要提醒：这是特定推理任务上的实验，别当成「任何问题加一句就 +60%」的万能公式。
• 一个重要的时效变化：「让它一步步想」的红利正在缩水。 上一篇提到的那类「推理模型」，已经被专门训练成在内部自动打草稿（把思维链烧进了训练过程），你再手动加一句「一步步想」，提升就没那么明显了。这说明具体的提示技巧会随模型进化而过时——所以本文真正想讲的是背后的机制（为什么「给草稿纸」有用），机制比任何一句咒语都活得久。

搞懂之后，我提问的方式变了

不再背咒语，而是每次问自己一句：「我这段话，会把这台接龙机导航到哪片区域？我给够它草稿纸和资料了吗？」 具体落成五条：

1. 复杂问题，让它「先写思路再给结论」：给它草稿纸，别逼它心算。凡是需要多步推理、计算、权衡的，一句「把你的推理过程写出来」往往比任何角色设定都管用。
2. 要特定格式或风格，给例子而不是堆形容词：两三个「输入 → 输出」样例，胜过十句「我要简洁专业有条理」。
3. 要事实，把资料贴进去，别考它记性：它没有的知识，再好的问法也变不出来——冷僻、时效、私有的信息，一律自己带进上下文。
4. 角色设定用来调语气，不用来保正确：「你是位老中医」能让它说得更像那么回事，但不会让它的医学结论更可靠。风格和正确率是两码事，别混为一谈。
5. 理解机制，而不是收集咒语：与其到处抄「万能提示词模板」，不如记住你在给一台接龙机递上文——想清楚「什么样的上文，会把它导向我要的答案」，你就能自己造提示词，而不是等别人喂。

说到底，提示词不是什么神秘法术。它是你和那台接龙机之间唯一的接口——你递给它什么样的开头，它就往什么方向接下去。看懂这一点，你就从「祈祷它给个好答案」，变成了「主动把它导向好答案」。

---

附：这次我是怎么问 AI 的

三个这次实测有效的提问策略，你可以直接搬去用：

1. 让它对比「有效 vs 无效」的提示，并把差异归因到机制：我没问「怎么写好提示词」（会得到一堆 tips 清单），而是问「同样一个需求，一个好提示和一个差提示，差别在你内部到底触发了什么不同？」——逼它从「罗列技巧」升级到「解释机制」。
2. 拿「角色扮演到底有没有用」去逼它给证据和反方：AI 一开始顺着网上教程说「角色设定很有用」，我追问「有没有研究发现它其实没用、甚至有害？」——立刻问出了「对准确率提升不稳定」的争议，避免我跟着复述玄学。
3. 让它把「改变风格」和「改变正确率」拆开：很多提示技巧被笼统地夸「效果好」，我专门要求它区分「这是让答案变得更好看，还是变得更对？」——这一拆，才看清角色扮演动的是前者、思维链动的是后者。

下一篇（s1-04）：既然提示词就是「上文」，一个自然的问题冒出来了——这段上文能有多长？为什么和它聊得越久，它反而越健忘、开始前后矛盾、把你早先说的话忘得一干二净？下篇拆「上下文与记忆」。