夜雨聆风
前几天，我差点写了一篇一出生就过气的文章。
我手头攒了份学习笔记，是不久前认真读 OpenAI 那篇 GPT-5.2 使用指南记下的，正打算把它扩写成文章。一抬头才发现——OpenAI 这边已经把默认模型换成 5.5 了。我那篇"最新指南"，从动笔到发现过气，中间隔了还不到一周。
那一下我有点哭笑不得，也有点被点醒。模型一个版本接一个版本地砸下来，5.1 、 5.2 、 5.5，每次都说自己更聪明；我要是跟着每个版本去重学一遍"它这版又有什么新参数、新脾气"，那真是追到天荒地老也追不完。
所以我换了个问题问自己：抛开这些三个月就换一茬的版本特性，到底有哪些跟 AI 说话的功夫，是换个模型、换个版本都还管用的？我把这阵子读的东西扒拉了一遍，挑出几条自己最认的，记在这儿。它们有个共同点——管的都不是"这个模型这一版的脾气"，而是"怎么跟一个会推理、但也会犯错的东西打交道"。
一、管它"话痨度"之前，先搞清它出厂偏哪边
很多人对 AI 话太多或太少，第一反应是甩一句"说详细点"或者"别废话"。可我踩过的坑告诉我：这事得先分清这个模型的出厂默认偏哪边，不然你很可能用力用反了。
举个我自己的真实对照。 OpenAI 这代模型，默认是偏简洁、偏克制的，你想要它详细，得显式把"话痨度"那个旋钮往上拧。而我手上另一个常用的模型，我的痛点恰恰相反——我总觉得它把话压得太省，得反过来想办法松开它。
你发现没有？同一个"话痨度"的旋钮，我对这两家要拧的方向，是反的。
这就引出一条我觉得最值钱的心法：管 AI 的话痨度，从来不是一个固定动作。先搞清楚这个模型出厂时偏话痨还是偏简洁，再决定往哪个方向使劲。要是图省事，把对付 A 模型那套"使劲让它简短"的话，原封不动搬到一个本来就惜字如金的 B 模型上，那就是雪上加霜，越拧越拧反。
二、长指令里，让它先把"规矩"复述一遍
第二条，是给那些动不动几千字的长提示词准备的。
我做记忆相关的项目，经常要塞给模型一大段上下文，里头夹着各种关键约束——时间范围、该用哪个来源、哪些不能碰。长提示词最容易翻的车就是：这些关键约束淹在几千字的中间，模型读着读着，把前面的限定给忘了，到后半段自顾自跑偏。
OpenAI 那份指南里给的一个办法，简单到我有点想拍大腿：在长指令的任务说明之后，加一句——“开始之前，先用一句话复述你这次要遵守的约束。”
就这么一句，成本几乎是零，效果却好得出奇。它逼着模型在动手前，把散落在长文里的限定条件主动捞出来、过一遍，相当于自己给自己划了重点。
我们当医生的对这个动作特别熟。手术正式开始前有个雷打不动的环节，叫 time-out——所有人停下来，齐声核对一遍：病人是谁、做哪一侧、做什么术式。不是不信任谁的记性，是因为再老练的团队，关键信息也可能在忙乱里掉链子，所以用一个强制的复述把它兜住。让模型开工前复述约束，是一模一样的道理。
顺带还有一条配套的：让它引用、给结论时，锚定到具体的出处，别泛泛而谈。说"这条来自某段、某个时间的记录"，而不是含糊一句"根据资料"。能说清出处的结论，可信度天然高一截。
三、把"只做我要的，别自作主张加戏"写进去
第三条，是防它好心办坏事。
会推理的模型有个共同的小毛病：你让它改个登录按钮的颜色，它顺手帮你把整个登录流程重构了；你问它一个简单问题，它给你展开成一篇小论文，还附赠三个你没问的"贴心建议"。它不是偷懒，是太想表现，结果用力过猛。
应对的话术其实很朴素：在指令里明确写上"只实现我明确要求的，不要附加额外的功能、组件或修饰"。把边界给它划死。
还有另一半同样重要——指令模糊的时候，宁可让它停下来问，也别让它闷头猜。更好的做法是要求它：“如果我的要求有歧义，先问我一到三个最关键的问题，或者给出两三个带着假设标签的不同理解，让我来选。”
这条对我是有教训的。我太多次因为指令写得含糊，眼睁睁看它朝一个我没想要的方向一路狂奔，最后推倒重来。模糊的时候问一句，永远比闷头猜十次划算。
四、给它留一条"我不确定"的退路
最后这条，我觉得是所有底线里最通用、也最重要的一条：明确允许它说"我不确定"。
模型最危险的地方，不是它不知道，而是它"看起来什么都知道"。你给它一个它其实没把握的问题，它能给你补出一段无比像样、细节丰富、连数字带引用的回答——像样，但不一定对。
所以我会在规矩里写死：不确定的时候，绝不许编造确切的数字、行号、引用；拿不准的就如实说拿不准。还有一种情况——有些信息可能已经变了（比如某个工具的最新版本、某个政策的现状），而它手头又没有联网核实的手段，这时候宁可泛泛地说、并主动声明"这部分可能已经过时"，也别给我一个信誓旦旦的过期答案。
这事还是我们当医生的最有体会。一个好医生的标志，恰恰是敢在病人面前说"这个我得再查一下、再会诊一下"，而不是为了显得权威，硬给一个自己都没底的诊断。给 AI 留一条说"我不确定"的退路，就是在帮它别犯那个"为了显得靠谱而硬编"的错。
而且你看，这条有多耐放——模型一版一版地换，越来越聪明，可"不确定就别编"这条，从来没过期过。
美中不足
得说句公道话，这几条都是"防守型"的招——防它啰嗦、防它跑偏、防它瞎编，教的是怎么不出错，不是怎么出彩。真正能让 AI 帮你做出惊艳东西的那些功夫，比如怎么把一个好问题问到点子上、怎么喂给它对的上下文，比这几条难得多，也更挑人，不是几句通用底线能覆盖的。
所以别把这篇当万能钥匙。它们是地板，保你不掉下去；不是天花板，带你飞起来。地板之上能盖多高，还得看各人的造化。
写到这儿我想说的其实是：这几条，从 GPT-5 一路到 5.5 、从我用的那个模型的上一代到这一代，我没见哪条失灵过。因为它们防的不是某个模型某一版的具体毛病，是"一个会推理的东西，天然就会犯的那几类错"。
追版本像追潮流，永远有追不完的新款。可怎么跟一个聪明又会犯错的东西好好说话，是件穿在里头的底功——学一次，长期合身。
所以下次新模型发布、你又心痒想冲上去重学一遍它的脾气时，或许可以先问自己一句：这次要学的，到底是个三个月后就过气的参数，还是一条换了模型也照样带得走的功夫？
专业劈叉式跨界选手：🧬 医学出身，🎭 文化口饭碗，🤖 AI 是我的野路子。不卷参数，不追新模型，只关心一个问题：AI 啥时候能装进我脑子，替我不开心？欢迎围观我和 AI 相爱相杀的日常。——AI不会取代你，但会用AI的人会。所以我先学了，你随意。🔧踩坑副产品已开源 → recallnest，wechat-ai-bridge，telegram-ai-bridge | 更多 → github.com/AliceLJY参与组织 → CortexReach（memory-lancedb-pro 贡献者，setup-memory.sh 一键脚本作者）本文由 Content Alchemy 自动生成，由 Codex 发布。
