清晰度与具体性

模糊指令的代价

为什么"简单"的请求会失败？

许多人第一次使用 AI 工具时会感到失望——他们觉得自己的问题很清楚，但 AI 的回答却不是他们想要的。这几乎总是因为模糊性：你脑海中有清晰的图像，但你给 AI 的指令里缺少把这个图像传递过去所需的信息。

想象你雇了一个实习生，第一天就对他说"帮我做个报告"。他会问：什么主题？给谁看？多长？什么格式？用什么数据？什么时候要？而 AI 不会问，它只会猜测——基于统计概率猜出一个"最可能"的解释，然后按此执行。

模糊指令的统计学本质

从 LLM 的概率采样视角理解：模糊指令意味着多种"合理解释"的概率分布更加扁平——每种解读都有一定的可能性，模型会从中采样一种。精确指令把大部分概率质量集中到单一解读上，从而让输出可预期。

这也解释了为什么同一个模糊指令多次运行会得到不同答案，而精确指令多次运行结果非常稳定（即使 temperature > 0）。

差/好/最优：三个层次的对比

用一个实际案例演示三个层次的差异：

5W1H 提示词框架

系统化构建指令

5W1H 是新闻写作中的经典框架，同样适用于提示词设计。在写任何复杂的 AI 指令前，先问自己这六个问题：

5W1H 实战示例

# 应用 5W1H 框架

# Who：角色设定
你是一位拥有 8 年 React 经验的前端架构师，
曾在大型电商平台主导过多次性能优化项目。

# What：任务
审查以下 React 组件代码，找出性能问题并给出优化建议。

# When：版本
基于 React 18 的特性（Concurrent Mode, useTransition 等）提出优化方案。

# Where：使用场景
这个组件是商品列表页，在移动端 3G 网络下需要流畅渲染 500+ 商品卡片。

# Why：目的
目标是将首次内容绘制时间（FCP）从 3.2s 降低到 1.5s 以内。

# How：输出格式
以列表形式输出，每个问题包含：
1. 问题描述
2. 问题影响（性能量化估计）
3. 修改前代码片段
4. 修改后代码片段
5. 优化原理说明

# 待分析的代码
```jsx
[在此粘贴代码]
```

避免歧义的具体技巧

技巧一：量化模糊词汇

将主观描述替换为客观数字——这是消除歧义最直接有效的方法：

技巧二：使用正面陈述

AI 更能理解"要做什么"而非"不要做什么"。负面陈述本身也是模糊的——"不要太长"中，"太长"的定义仍然缺失：

技巧三：指定输出格式

明确的输出格式要求能显著提升可用性，尤其是需要将结果集成到程序中时：

# 不指定格式（输出混乱，难以后续处理）
分析这段代码的优缺点

# 指定 Markdown 格式
分析这段代码，以 Markdown 格式返回：
## 优点
- 优点1
- 优点2

## 缺点
- 缺点1
- 缺点2

## 改进建议
（具体的修改方案）

# 指定 JSON 格式（适合程序处理）
分析这段代码，以 JSON 格式返回：
{
  "pros": ["优点列表"],
  "cons": ["缺点列表"],
  "suggestions": ["改进建议列表"],
  "severity": "high/medium/low"
}

技巧四：提供对比示例

当你难以用语言描述期望的输出风格时，直接提供示例是最高效的方式。示例的价值在于让模型直接"看到"你想要的结果，而不是理解你对结果的描述：

请将以下技术错误消息改写为用户友好的提示文字。
参考这个改写风格：

原始：「NullPointerException: Cannot invoke method getName() on null object」
改写：「抱歉，页面加载时遇到了问题。请刷新页面重试，如果问题持续，请联系客服。」

风格说明：
- 不显示技术术语
- 语气温和，不让用户有罪恶感
- 提供明确的下一步操作

现在请改写：「Connection timeout: Failed to connect to database server at 192.168.1.1:5432」

技巧五：约束优先级声明

当指令中有多个要求时，模型需要知道哪个优先。例如在字数限制和内容完整性之间有冲突时：

# 声明约束的优先级
请总结这篇 5000 字的文章。

优先级（从高到低）：
1. 准确性 — 绝对不要捏造不存在的信息
2. 完整性 — 覆盖所有主要论点，不遗漏关键结论
3. 简洁性 — 目标长度 300-500 字，但不得牺牲前两项

如果三者有冲突，宁可超过字数限制，也不要遗漏关键信息。

长度控制的策略

为什么 AI 总是输出太多？

LLM 在训练时接触了大量"详尽、全面"的文本（如百科全书、技术文档），它认为"更详细"通常意味着"更好"。如果你不明确限制长度，它往往会给出比你需要的更长的回复。这一行为也来自于 RLHF 训练阶段，人类评估者通常偏好更详细的回答，模型因此学习了"倾向于详细"的偏好。

迭代优化工作流

提示词工程是一个迭代过程，不要期望第一次就写出完美的提示词。每次迭代的关键是诊断"为什么这次不满意"：

专业场景的清晰度提升

技术文档类指令的最佳实践