规矩立住,AI 用着才不烧心

前几天我让 AI 帮我写一段回复，交代了一句「别太正式」。它交回来的东西，可太正式，太官腔了——开头「尊敬的」，结尾「谨此」，中间全是套话。

心理学有句老话，叫「别想白熊」。我们越叫一个人别想那只白熊，他就会满脑子白熊。我那句「别太正式」，在 AI 这儿是同一个理儿——你越点出那个词，它越容易反复思索那个词。

还有一次，我让它回一条工作消息，说「委婉点、别太长」。它手里没有标准，只能替我填一个「最可能的长度」，而那个长度显然不符合我心目中的预期，当然委婉更不用说了，用了是会被贻笑大方的程度。这句话同时把后面两节的事埋下了伏笔：边界没写清，验收也没标准。

上期我们聊了「说不清」，把跟 AI 说不清归成了四类。上上期我们聊过，说不清会让人烧心。这期要聊的是另一件事：有些时候我们明明说清了，它交出来的成品还是一坨。把那些烧心的事剥开看，核心常常是同一个——我们没把那些「默认省掉的东西」写出来。

模型的工作方式，是预测「下一个最可能的词」。我们漏掉什么，它就替我们填最可能的那个。我们禁止什么，它反而先把那个词激活了，再吐出来。所以「立规矩」这件事，说白了就是把那几个最常被默认掉的东西，写成字。

缺掉的东西其实是四样：要什么、不要什么、什么算好、拿不准就问。下面四条，全是上面那句话的推论。

01　要什么（目标）

先说「要什么」。之前我们聊过一篇，讲 AI 给我们的常常是「平均答案」——把所有人的需求搅在一起，给我们一个谁都适用的解。这一节要做的，正好是把那个平均解拽回来，变成「我的解」。

心理学家洛克和拉撒姆两位在 2002 年做过一篇综述，把三十五年的研究拢在一起看，覆盖一百多个任务、四万多个被试。得出来这样一个结论：具体、有难度的目标，就是比「尽力而为」管用。

所以「要什么」的公式很简单。把「帮我写个方案」，换成「一份给老板看的方案，重点是这周做成了哪件事儿」。

同一句话，不写目标和写了目标，差在哪里呢？不写，它给的是泛泛而谈的大纲；写了，它锁死了对象和重点。要什么，就是先把「我是谁、我要它干什么」这件事，从模糊拽到具体，这样生成的内容就会翔实很多。

02　不要什么（边界）

再说「不要什么」。首先声明：跟 AI 说「别写 XX」，不是标准动作，是最容易翻车的禁止方式。

这事有两派在吵。

一派是官方和论文。官方那边，大厂自己的提示词指南明确建议「说要做什么，不要只说不要做什么」——负向指令会让模型一边记着你的禁区，一边猜你到底要什么，两头顾着，反而不稳。论文那边更进一步：2025 年底一篇预印本（编号 2511.12381），用五千条否定指令、测了九个模型，从机制上证明你越说「不要提 X」，X 反而越容易冒出来。这叫讽刺性反弹，和我们开头那只白熊是同一个东西——要压住一个词，模型得先在脑子里把它激活，结果把它推到了嘴边。论文把这套现象叫「白熊效应」的机器版，还顺手放出了一组叫 ReboundBench 的测试集。两处指向同一件事：负向有副作用。

另一派是真正写提示词的一线工程师。在他们那儿，又有一股相反的经验：对那些「特定、已知会出错的坑」，负向约束反而最管用、最直接——它就拦在那儿，出不了格。

两派怎么和解？禁线可以画，尤其是工程师说的那些硬边界；但别裸画，得配个替身。官方说的「用正向代替负向」，就是那个替身，也就是类似于反义词。要分清楚：那篇预印本的价值，是警告你「裸着写负向会反弹」；「配替身能解决」，这后半句来自官方指南和工程师的实操。

为什么「不要太正式」反而容易得到官腔？就是白熊现场——你越点出那个词，它越容易碰见它。开头那件事，现在能讲通了。

所以「不要什么」的公式，是「不要 X，用 Y 代替」。这招我们之前其实用过，在讲隐私那篇——「动手前把边界写死」，是把不能说的写死。这篇是同一招的另一面，把不想要的写死。正反两面，凑齐了，

03　什么算好（验收）

第三样，「什么算好」。上上期我们聊过「烧心」——说不清、说不好，都在烧 token。还记得开头那句「别太长」吗——「多长算长」我们没说，它就替我们填了一个「最可能的长度」，而那个长度刚好偏长，一轮轮打回，烧的正是 token。这一节就是那个烧心的止损阀：把「好」写成它能照做的标准，少打回，少烧。

我们来看两篇论文。一篇是 2026 年的会议论文（LREC），测到同一件事换种写法、换个输出标准，成绩能差出 2 到 46 个 F1 点。另一篇也是 2026 年的会议论文（EACL），做了两百多次实验，发现只换输出格式、不换别的，F1 能差 40 多个点。不是模型变笨了，是我们没告诉它「好」长什么样，它只能挑一个它最「顺手」的格式——而顺手的不一定是我们要的。

把「好」写成能判断的标准。比如「结尾要有一句给老板的结论」，或者「三段，每段不超过 80 字，第二段必须有一个数字，结尾不要总结」。不是「写专业点」这种有点空的话语，尽量要拿过来就能打勾的条款。

不写标准，它交一版我们嫌不对，打回；再交一版还不对。写了标准，第一版就能对着条打勾，对的留下、不对的改。标准写清楚，一次到位，省下的就是 token，也是我们的耐心。

04　拿不准就回来问（反向检核）

第四样，「拿不准就问」。之前我们聊过一篇，警示「别让它顺着我们说」——我们越带着观点问，它越顺着我们回答，反而把我们的偏见坐实，把我们的目标带偏了。这期反过来：上篇怕它顺着我们，这期我们逼它来问我们。同一个「顺」字，方向相反，本身就是钩子。

这节的工具，还是从那本《沟通的艺术》里。书里讲「知觉检核」——描述我们观察到的、提出至少两种可能的解释、请对方澄清。上一回，是我们拿它去问 AI，防自己自以为懂它；这一回，是逼 AI 拿它来问我们，防它自以为懂我们。同一本书的工具，方向相反，这回叫它「反向检核」。

为什么要逼它问？因为模型缺信息的时候，一般不会主动来问你，它会挑一种它觉得最可能的解释，硬做下去。一篇 2026 年的会议工作（EMNLP Findings，新近研究，未经长期重复检验）把模型的默认行为拆得很清楚：面对模糊指令，它要么闷头挑一种解释就往下做（大多数时候），要么每个问题都反问一遍（烦到我们放弃），要么问得含糊等于没问（「你想要哪种风格？」）。教它「什么时候该问、怎么问才问得准」，任务成功率就会有所提升。

所以「拿不准就问」最好是交代里明写一句：「如果我的要求有歧义，先问我，最多三个问题，别自己编造。」「最多三个」是给它装刹车，不然它反问起来没完；「别自己编造」是给它装底线，问不出来也比编一个强。

说个对比。同一个模糊需求，交给下属或者同事，他多半会先跟我们确认一句「你要的是不是这个意思」，确认了再动手；交给 AI，它默认不问，闷头挑一种理解做完，方向偏了，我们事后才发现。这一篇讲的「让它先问我」，就是把 AI 拉回那个「先确认」的习惯——差的就是那句「先问我」。

05　反向校验：这套框架哪里会骗人

第一，规矩立太多，它会「迷失在中间」。长上下文里，躺在中间的信息模型最记不住——我们上上期刚引用过这个研究（Lost in the Middle）。我们啪啪列一长串规矩，真正重要的那条若卡在中间，约等于没写。规矩不是越多越好，少而准，大道至简。

第二，目标设定理论研究的是人，类比有边界。洛克和拉撒姆研究的是「人」——人有承诺，会真去够那个具体目标。AI 没有「承诺」这种东西，我们写「具体目标」它照做，但不「在乎」。所以「具体目标对人有用」，不能直接推成「对 AI 必然同样灵」，只能说：把模糊需求写具体，至少省了它猜测我们想法的那一步。

第三，这几篇关键论文都是预印本或新近会议工作——ReboundBench（编号 2511.12381）、Lost in Formatting（EACL 2026）、CIGAsk（EMNLP 2026 Findings）。方向有实验支撑，但都还没经过时间的反复检验，别把结论当定律，只能当成「目前最好的猜测」。

第四，规矩本身也会过期。平台一改规则、模型一升级，我们上个月立的规矩，这个月可能就废了。我们上上期说过「世事变化无常，有些知识是有时效性的」——规矩也得定期回看，不是一次写好就永久有效。

写在最后

回看一眼，四条规矩——要什么、不要什么、什么算好、拿不准就问——都是开头那句话的推论：把默认掉的东西写成字。而这一节的反向校验，是这套工具背面的使用说明：它也有会失灵的地方。

这里有一个能直接抄走的模板，四行填空——

上期我们把「说不清」从嘴笨的锅上摘下来，现在能分了；这期把「说不好」从「它不行」的锅上摘下来，现在能写了。

关注「已知序章」，每日读书有收获：一个普通人在 AI 时代怎么学、怎么想、怎么读。

你的每一个点赞、在看、分享，都是我坚持更新的动力，感谢！❤️

参考资料

Locke, E. A., & Latham, G. P. (2002). Building a Practically Useful Theory of Goal Setting and Task Motivation: A 35-Year Odyssey. American Psychologist, 57(9), 705–717.

Anthropic. Prompt engineering overview（官方明确建议「说要做什么，不要只说不要做什么」——正向表述优于负向）。

Mann, L., Saxena, N., Tandon, S., Sun, C., Toteja, S., & Zhu, K. (2025). Don't Think of the White Bear: Ironic Negation in Transformer Models Under Cognitive Load. arXiv:2511.12381.（ReboundBench，5000 条否定指令／9 个 LLM，讽刺性反弹＝白熊效应。预印本，未经同行评审。）

Lepagnol, et al. (2026). Format Matters（LREC 2026）—— 同任务换写法、换输出标准，成绩差 2–46 个 F1 点。

Ravikumar, Ibrahim & Batista-Navarro (2026). Lost in Formatting: How Output Formats Skew LLM Performance on Information Extraction（EACL 2026）—— 只换输出格式，F1 差 40 多个点。

Li, Wu & Meng（CUHK）(2026). When and How Should an Agent Clarify? CIGAsk（EMNLP 2026 Findings）—— 模型面对模糊指令的三种默认失败模式。新近会议工作。

Liu, et al. (2023). Lost in the Middle（arXiv:2307.03172）—— 长上下文中间信息最易漏，第 05 节引。

阿德勒, R. B., 普罗科特, R. F. 《沟通的艺术：看入人里，看出人外》（插图修订第 14 版，黄素菲、李恩译，世界图书出版公司，2015）——「知觉检核」perception checking。