提示词不用背模板了,但你得学会把话讲明白

你有没有过这种时候。

打开对话框，敲一句话，等它输出。看完那坨东西，心里只剩一句，不是我要的。

然后删掉，重新敲。这次你把它当个人来交代。这是给谁看的，大概多少字，重点放哪，哪几块别写。这回对了。

前后两次，你想让它做的事没变。变的只是你说的话。

这个差别，就是我想聊的。

最近，AI 圈里有个说法传得很广，「提示词工程已死」。

理由听着也充分。模型越来越聪明，以前要绕着弯子说的话，现在直着说它也能懂。Gartner 在 2025 年中的一份建议里写得很直白，context engineering is in，prompt engineering is out。Karpathy 也说过类似的意思，他把新的方向叫作「把上下文窗口填进恰好正确的信息」，说这是一门精细的手艺。

于是很多人得出一个结论，提示词不用学了。

这个结论里有对的部分。但如果你就此把手里的提示词功夫整个扔了，很可能扔错了东西。

先看一个真实发生过的事。

OpenAI 在 GPT-5 的提示词指南里，记录了 Cursor 的一段经历。给上一代模型写提示词的时候，团队需要专门加一句，鼓励它「充分分析上下文」。因为不这么写，模型分析得就浅，容易漏掉关键信息。

后来模型换成 GPT-5，那句话还留在那儿。结果变成了过度搜索。GPT-5 本来就比前代更主动地去收集上下文，你再在后面催一句多看看，它就真的去看那些本来不用看的东西，翻一堆无关内容回来。

同一个提示词，隔了一代模型，从补短板变成了添乱。

Anthropic 那边也是相似的曲线。早期 Claude 的官方文档，重点教你用 XML 标签、few-shot 例子、角色设定。到了新模型的 prompting best practices，官方开始提醒你移除 over-prompting，也就是过度提示。有些以前为了让工具触发而写的绝对化指令，在新模型上会造成过度触发。

连写文档的人，都开始劝你少写点。

脚手架的作用是让楼盖起来。楼盖好了，它就该被拆走。

这些例子指向同一件事。旧时代的提示词技巧，作用是补短板。

你写 think step by step，因为不说它就不分步想。你写「你是一位资深专家」，因为不说它就给泛泛而谈的答案。你要求它列三个方案，因为不说它就只给一个。每一条技巧背后，都对应着模型当时不具备的某个能力。

现在这些能力长出来了。推理内置进了模型，意图理解和指代也强了。技巧自然退潮。

但这只是故事的一半。

退潮的是补短板的那一层，是被写进训练数据、变成模型默认行为的那一层。

往上还有一层，一直没退。

Anthropic 在讲上下文工程的时候说过一句话，我觉得比大部分讨论都准。构建语言模型应用的重点，正在从寻找正确的措辞，转向另一个问题，什么样的上下文配置，最可能让模型产生期望的行为。

Google DeepMind 的 Philipp Schmid 说得更直接。现在大多数 agent 的失败，不是模型的失败，是上下文的失败。

数据也在往同一个方向指。DataHub 今年那份上下文管理报告里，82% 的技术负责人认为，单靠提示词工程已经撑不起生产环境里的 AI 应用。

措辞不重要了，上下文重要。而上下文这个东西，绝大部分要靠你交代。

要理解这件事，最好的类比不是编程，是管理。

想象你上司给你派活。如果他只扔来三个字，做个方案，你会怎么办。

你会开始猜。猜这是给客户的还是内部看的，猜是要三页还是要三十页，猜是这周要还是下月要。猜对了叫默契，猜错了叫背锅。

但你心里清楚，这事的责任不在你。他没讲清楚。

大模型面对你的时候，位置和你面对那个上司，一模一样。

只说了几个字，对面就要自己补完剩下的全部信息。

它不知道你的业务背景，不知道你这句话背后真正想解决什么，不知道这份东西最终给谁看，不知道哪些话是雷区不能碰，不知道哪一块该展开写、哪一块一笔带过。

它唯一的办法是猜。用概率猜。

更麻烦的是，它猜错了不会举手。它会用猜对时一样肯定的语气，把那份不对的东西交给你。

所以你看到输出不符合预期的时候，很容易误判成模型不行，然后去换模型。换了一圈发现还是不行。

那到底要讲清楚什么。拆开看是五件事。

先说背景。这件事发生在什么情境下，给谁看，用来干什么。背景决定了模型理解你的起点。没有背景，它只能给你一份放到哪家公司都能用的废话。

再说目标。你要的最终结果长什么样，什么样算做好了。是要一份能直接拿去用的东西，还是要一个供大家讨论的初稿。这两个要求，输出的深度和结构完全不一样。

然后是约束。字数、风格、受众、什么必须写、什么不能出现。约束不是捆住它，是帮它把力气花在对的地方。模型的注意力也是有限资源，你让它同时兼顾十个要求，它每个都做不好。

还有一类最容易被漏掉，你手里有而它不知道的信息。行业里的行话怎么说，内部的数据长什么样，之前为什么做了那个决定。这类信息你不写，它不会停下来问你，它会自己编。而且编得还挺像。

最后是优先级。几个目标打架的时候先保哪个。要全面还是要简洁，要严谨还是要好读，要覆盖所有情况还是先把主要场景跑通。它需要在权衡的时候知道往哪边倒。

这五件事，其实和写需求文档、跟同事对齐方案，是同一套东西。

有个地方容易搞混。讲清楚不等于写得长。

把同一个意思换三种说法，字数上去了，信息没上去。

很多人写了一大段提示词，其实是把同一个意思换了三种说法。字数上去了，信息没上去。真正有效的往往是短而准的那几句，把模型猜不到的东西补上就行，剩下的它自己能填。

那具体怎么做。

先说一个心态上的变化。以前大家想找一个万能模板，希望它能覆盖大部分场景。这条路现在走不通了，不是因为模板不好用，是因为场景变得太多。模型能做的事从写文案扩到了跑流程，一个模板覆盖不过来。

更实际的路径是，把每次提问当成一次需求沟通。

发出去之前停十秒，过一遍那五件事。这件事给谁看，我要的结果长什么样，有什么限制，哪些信息只有我知道，如果只能保一个先保哪个。

举个具体的。同样是让 AI 写周报，你可以这么给。

差的就后面那几十个字。但这两版出来的东西，不会是一个东西。

再有一个动作，我觉得比前面那个更重要。

当输出不符合预期的时候，别急着换模型，先回头看自己说了什么。大部分时候，问题在提问这一端。这个动作听着简单，但它把责任放回了你能控制的地方。换模型你控制不了，改自己的表达你完全能控制。

说句实在话，这个方法一开始会让你的速度慢下来。你要多打一些字，要在开口前多想几秒。刚开始那阵子，可能比你随手敲一句还费劲。

但省下来的返工次数，会很快把这点时间还给你。

写到这我想到一件事。

把话说清楚，从来就不是一件容易的事。人类发明了那么多协作工具，写文档、定流程、做需求评审、搞标准作业程序，说到底都在解决同一个问题，怎么让另一个人准确地知道我想要什么。

这件事的难度从来没降过。只是因为反馈太慢，大家习惯了用返工来兜底。

现在不太一样了。你交代得含糊，它立刻给你一坨东西证明给你看。你交代得清楚，它立刻给你一个能用的。快得几乎没有延迟。

这可能是第一次，我们有这么多机会反复练这件事。

毕竟，你上司不会给你试七次的机会。

AI 会给。