上周改一个接口，同一段 prompt 换了个措辞，模型返回的 JSON 字段名就乱了。
这种「换个说法结果就变」的坑，根子在模型怎么处理提示词。
一、让模型一步一步来，能很好地提升答案的准确性
Google 团队在《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（arXiv:2201.11903）里，只给了 8 个带推理步骤的示例，就让模型在 GSM8K 数学题上超过了用同样题量微调过的 GPT-3。
东京大学和 Google 的另一篇（NeurIPS 2022）更直接：什么都不教，只在问题后加一句 "Let's think step by step"，MultiArith 正确率从 17.7% 升到 78.7%，GSM8K 从 10.4% 升到 40.7%。
为什么加一句「一步一步来」就能让它答对？大模型每生成一个 token，都要把前面所有内容完整重算一遍，但单次前向计算的深度是固定的。一道要十步推理的题，你让它一步出答案，它在固定的深度内算不完，只能猜。你让它把过程一步步写出来，每写一个中间步骤，就拼回输入重新完整算一遍，等于把算不完的部分摊到生成过程里了。把算不完的内隐计算，外化成一段能写下来的过程。
所以别只丢一句「答案是什么」，把话写成：「请先读题、列出已知条件，再逐步计算、写出中间结果，最后给出结论。」
二、高质量的例子比提示词好用
想让模型按某种格式输出，可以写要求，也可以直接塞几个「输入 → 输出」的样例。后者叫 few-shot（少样本提示），几乎总是更稳。
「输出要规范、要正式」这种描述太抽象，模型对「正式」的理解和你不一样；样例是具体的，它能直接对齐到你要的格式。例子把模糊的要求，压缩成了可复制的模式。
比如你想让它当「中译英引擎」，与其写一长串「只输出译文、别加解释」，不如先给它一组对照：
问：今天天气不错。 答：The weather is nice today.
再问「我明天要出差」怎么翻，它就照着前面这组「问 → 译」的格式来，不再画蛇添足。对应到 API 里，就是 messages 数组里多塞几组 user/assistant 对话而已。
例子的质量比数量重要。三五个格式统一的样例，胜过二十个格式混杂的。样例之间自相矛盾，模型反而抓错重点。
三、提示词匹配目标模型
提示词不通用。同一个 Prompt 换个模型，效果可能差很多。
- ChatGPT（GPT 系）：吃 markdown 结构和编号。要求列成「1、2、3」，加小标题，响应更稳。
- Claude：吃 XML 标签，而且重要指令放末尾更有效——它对新近指令更敏感（recency bias）。写
<instruction>这类结构，它比 GPT 更吃。
- Gemini：吃具体例子，多给 case 比多给规则有用。
- DeepSeek（推理系）：吃「think step by step」这类触发显式推理的话，反而别把格式规定得太死。
从别人那抄来的「万能模板」，换个模型就失灵。提示词要跟着目标模型走。
四、三个实用技巧
1. 动词是最重的词。「分析」「对比」「改写」「总结」决定了输出方向。把「帮我看看这个」换成「帮我对比这两个方案的优劣并给出结论」，质量立刻不一样。
2. 一个 Prompt 只干一件事。一句话塞三个任务，模型会平均用力，每个都做浅。拆成三次问，比一次问三样质量高。
3. system 和 user 分开用。system 放长期规则和人设，user 放当次任务。比如 system 里写「你是中译英引擎」，user 里写具体要翻的句子，分工清楚，别混着写。
Prompt 做的事，是把模型本来就有的能力，用对的路径引出来。分步推理、给例子、跟着模型偏好走，这三条比任何「万能模板」都管用。
想同一批问题同时试几个模型、对比谁的提示词响应更好，我日常通过速核AI接入，一个 Key 调用多家模型，切换对比都方便，有需要可自行了解。
本文引用的论文：Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"（arXiv:2201.11903，2022）；Kojima et al., "Large Language Models are Zero-Shot Reasoners"（NeurIPS 2022）。写于 2026 年 11月。
