夜雨聆风
你有没有发现，以前那些让你和AI沟通无往不利的“咒语”（提示词），最近在新模型上好像不那么好用了？AI给出的答案变得有点呆板，甚至不如以前聪明了？别担心，这可不是你的错，也不是AI变笨了，而是AI“升级”了！
就像我们小时候学走路需要大人手把手教，长大了就能自己跑一样，现在的AI大模型也变得更聪明、更独立了。OpenAI最近发布的新指南就告诉我们，和新AI打交道，得换个思路了！
现在让AI发挥最好的效果不再依赖“流程指令”，反而需要“目标定义”。以前写提示词是在给一个需要手把手带的实习生列清单；现在更像给一个能自主规划的人说明目标和边界，你需要告诉他做什么、成功的标准是什么，然后放手让他发挥。
比较实用的一点是写法上的调整：
把步骤式指令收起来，转成目标 + 评价标准。
把强制流程换成约束条件和优先级。
把“必须按顺序完成 A/B/C”换成“在结果中需要覆盖 A/B/C，并解释选择逻辑”。
这样模型会有空间去选择路径，而不是被锁在人为预设的路径里。
另一个变化是“允许不确定性”。旧提示词习惯把所有边界收紧，现在的方式是只标清楚不可越界的部分，其余留给模型判断。
以前，我们给AI下指令，就像给一个刚入职的实习生布置任务：一步一步，事无巨细，生怕它做错。比如，我们会说：“先去A部门拿资料，然后到B部门核对数据，最后把结果汇总给我。”
但现在的AI，已经不是那个需要你手把手教的实习生了，它更像一个经验丰富的项目经理！你再给它那么多条条框框，反而会限制它的发挥，让它变得“笨手笨脚”。
场景：保险理赔资格审核 Agent，需要结合政策文件和账户数据做判断
提示词：（过度制定流程）
先读取用户的政策文件，然后读取账户数据，然后逐项比对每个字段，
然后列出所有可能的例外情况，然后得出资格判断，最后返回结果。
那么模型能力提升后（定义结果和标准）
解决用户的问题，端到端处理完毕后再回复。
完成标准：
- 资格判断基于现有政策和账户数据得出
- 所有允许的操作在回复前已完成
- 最终答复包含：completed_actions、customer_message、blockers
- 如果缺少证据，只询问最小缺失字段
差异不在字数，而在“控制方式”。前者试图约束路径，后者只定义终点和边界，把路径选择交给模型。
一个有效的结果导向提示词，通常包含三点：
目标（outcome） 成功标准（success criteria） 约束边界（constraints）（限制条件有哪些）
你有没有想过，AI也能有自己的“性格”？以前我们可能只是简单地要求AI“不要用术语”、“回答要简洁”。但现在，给AI设定一个“人设”和“工作风格”，能让它更好地理解你的意图，表现得更像一个真正的“伙伴”。
人格（Persona）：它听起来像谁？是幽默风趣的，还是严谨专业的？
工作风格（Collaboration Style）：它怎么完成任务？是遇到问题就问，还是能自己解决就解决？
# 人格
你是一个务实的协作者：亲切、稳定、直接。
假设用户是有判断力的成年人，以耐心和尊重回应。
信息足够时优先推进，不轻易中断提问。
只有在缺失信息会显著影响结果时才提问，
且问题要具体、范围尽量小。
保持简洁，同时提供必要上下文，让用户理解结论即可。
# 人格
拥有鲜明的对话存在感：聪明、好奇、在合适时有幽默感，
对用户的思路保持敏锐。问题模糊时主动追问，有足够上下文后果断行动。
温暖、协作、有质感。对话应该流畅而有生气，但不为闲聊而闲聊。
提出真实的观点，而不只是附和用户的想法。
你是不是也有过这样的经历：问了AI一个问题，然后屏幕一片空白，等了半天它才开始回答？这种“沉默”会让用户觉得AI是不是卡住了，体验很不好。
解决方案很简单：让模型先发一句用户可见的“开场白”。
对于多步骤任务，在任何工具调用之前，先发送一条简短的用户可见更新，
确认请求并说明第一步是什么。控制在一两句话以内。
例如：
好的，我先帮你拉取订单记录，确认退款状态。
这类提示不会影响逻辑，却能明显改善体验。
用最少的必要工具调用次数解决用户问题，但不要为了追求“少”而牺牲正确性。
每次拿到结果后，问自己：
“我现在能否用可靠的证据和引用回答用户的核心问题？”
如果答案是“是”，就回答，不要再搜索。
只使用足以支撑结论的最少证据，精确引用。
如果不足，明确指出缺失项，而不是用模糊推测填充。
当AI拥有搜索能力时，它很容易陷入一个“死循环”：每次觉得不确定，就再搜一次，直到把所有的信息都塞满。这不仅浪费资源，也可能让AI偏离主题。
检索预算是搜索的停止规则，它告诉模型什么情况下搜索是必要的，什么情况下不是。
# 检索规则
对于普通问答，从一次宽泛搜索开始。
如果前几条结果已经包含足够的支撑信息，直接从这些结果回答，不要再继续搜。
只在以下情况才进行第二次检索：
- 前几条结果没有回答核心问题
- 缺少必要的具体参数或来源
- 用户明确要求穷举、对比或完整列表
- 必须读取特定文档、代码或链接
- 答案中存在无法支撑的重要事实性声明
不要为了改进措辞、添加例子、引用无关细节而再次搜索。
AI很擅长生成各种格式的内容，但如果你不告诉它具体要求，它可能会默认使用一些“安全”的格式，比如大量的标题、加粗、列表，看起来很整齐，但不一定是你想要的。
通用对话格式指令：
默认使用简洁的散文段落。无论是对话、解释、报告还是技术写作，都用段落。
标题、加粗、列表只在以下情况使用：
- 用户明确要求
- 答案需要清晰的对比或排序
- 信息用散文呈现反而更难快速阅读
遵从用户的格式偏好。如果用户要求简短、不用列表、不用标题，就照做。
面向特定受众的格式指令：
面向高级商业受众写作。控制在 400 字以内。
结论优先，然后是推理过程，最后是注意事项。
段落要短，只在为了提升可读性时才使用列表。
编辑和改写任务的格式指令（防止"改着改着变样了"）：
先保留原文的形式、长度、结构和体裁。
改善清晰度、流畅性和准确性。
除非明确要求，不添加新内容、额外章节或更强的推广语气。
就像我们写完作业要检查一样，AI完成任务后也需要“检查作业”，特别是生成代码的时候。如果AI不检查，可能会给你一堆不能运行的代码。
代码任务的验证指令：
适用场景：AI 编程助手、自动化代码修复工具——模型改完代码后不主动验证，导致提交了不能运行的代码。适用于 CI/CD 集成场景或自动 PR 生成工具
修改完成后，运行最相关的验证：
- 针对变更行为的单元测试
- 类型检查或 lint（如适用）
- 受影响模块的构建检查
- 完整验证太贵时，跑一个最小冒烟测试
如果无法运行验证，解释原因，并描述下一个最优检查方式。
把以上所有模块组合起来，就是一个适合复杂场景的提示词结构：
角色：[1-2 句话定义模型的职能、背景和任务]
# 人格
[语气、态度和协作风格]
# 目标
[用户可见的产出结果]
# 完成标准
[最终回答前必须满足的条件]
# 约束
[政策、安全、业务、证据和限制]
# 输出格式
[章节、长度和语气]
# 停止规则
[何时重试、降级、放弃、追问或停止]
一个示例：
场景：电商平台内嵌的退款客服 Agent，需要查询订单、执行退款操作，并向用户说明结果
角色：你是一个客户支持助手，处理用户的退款和订单问题。
# 人格
直接、耐心、务实。假设用户遇到了真实问题，避免推卸和模糊回应。
# 目标
解决用户的订单或退款问题，端到端处理完毕后再回复。
# 完成标准
- 基于账户数据和政策得出明确判断
- 所有可执行操作已完成
- 回复包含操作结果、对用户的说明、以及任何阻塞原因
# 约束
- 不得处理金额超过 500 元的退款，需转人工
- 不得透露其他用户的订单信息
# 输出格式
散文段落，语气友好。不要用子弹点列出操作步骤。
# 停止规则
如果缺少必要信息，只问一个最小问题，不要一次询问多个字段。
好的提示词不是简单的路径规划，只需要你说明目标、边界和成功标准，路径由模型自行选择。过度指令是对模型能力的浪费。
参考来自：OpenAI官方文档https://developers.openai.com/api/docs/guides/prompt-guidance#suggested-prompt-structure
