夜雨聆风南越国有传世之宝，曰万象盏。其盏色如凝脂，中空容水半升，世人相传，以清水注盏，对盏心而问，答案自会显于水纹之中，大到安邦之策，小到诗文辞句，无不能答。
只是此盏向来被称 “缘法之物”：有人诚心叩问，得一字千金的良策；有人百般祷告，只换来一团浑浊的虚影。千百年来，无人说得清其中规律，只道 “心诚则灵，不诚则昧”。
仁宗年间，国子监有个监生叫沈砚，生性格物致知，最不信 “缘法” 之说。他专程赶往供奉万象盏的清光阁，住了半月，日日试盏，要探个究竟。
初时，他对着盏朗声说：“教我写天下最好的文章。” 盏中水面微动，浮起十来个字，无非是 “读书破万卷，下笔如有神” 之类的老生常谈，平淡如水。
沈砚摇头，再问：“赐我一篇治国策论。” 水面再动，一篇数百字的策论缓缓浮现，论点中正，文辞通顺，可翻来覆去都是 “轻徭薄赋、任用贤良” 的套话，放在任何朝代、任何州县都能用，却没有半分实操的价值。
沈砚大失所望，对守阁的萧翁叹道：“原来传世至宝，不过是个抄录陈言的俗物，世人真是言过其实。”
萧翁抚须而笑：“年轻人，你只让它‘写文章’，却没说写什么文章、给谁写、为何写、要写成什么样。这盏藏了天地间所有的文字道理，可它不会猜你的心思。你话说得含糊，它自然只能给你最宽泛的答案。”
沈砚心中一动，躬身请教。萧翁只道：“把话说全，说细，说死。别让它猜，要让它照着做。”
沈砚将信将疑，回到盏前，沉吟片刻，开口道：“以‘农本’为题，写一篇科举考场的策论，字数七百，以破题、承题、起讲、入题、分股、收束的八股形制成文。” 话音落，水纹再起。一篇规整的八股策论浮现，章法严整，辞藻得当，比之前的泛泛之论高出数筹。可沈砚读罢，还是摇头 —— 文章虽合规矩，却没有见识，仍是应试的套话。
他想起萧翁的话，又试着补充：“你是在江南任职十年的户部主事，亲眼见过庆历三年蝗灾过后，州县以农税为名盘剥百姓的旧事。如今宰相下令整饬江南农税，你要写一份给宰相的条陈，只讲四条可落地的举措，每条附施行细则与潜在风险，全篇不超六百字，不得弹劾地方官员，只谈制度补漏。”
这一次，盏中清水漾开细密的波纹，一行行字迹凝于水面。沈砚俯身去读，越读越是心惊：四条举措条条切中江南漕运与农税的积弊，细则具体到每州粮仓的核验周期，风险预判连胥吏的舞弊手法都一一列明，言辞分寸拿捏得恰到好处，既点明了问题，又不触怒地方官场，完全是深耕户部多年的老吏手笔。
沈砚站在盏前，良久不语。他忽然明白，这盏从来没有 “灵” 与 “不灵” 的分别。 它腹中藏着古往今来所有的文辞、计策、事理与人心，可它本身没有意志，没有偏向，也不会主动去揣度叩问者的身份、处境与隐秘的需求。你抛给它一个模糊的影子，它就还给你一个模糊的答案；你给它划定清晰的边界、赋予它明确的身份、讲清所有的前提与约束，它就能从万千可能里，选出最贴合你心意的那一个。
那日之后，沈砚留在清光阁三月，日日打磨自己的 “盏前之辞”。他渐渐摸出了门道：开口先定身份，再明事由，再列约束，最后说清要什么形制的结果。同样的一盏水，同样的宝物，只因开口的话不一样，得到的结果天差地别。
后来沈砚入仕，从地方县令一路做到户部侍郎，为官务实，政令精准，门下弟子无数。晚年他私下和弟子说起万象盏的旧事，只留下一句话： “世人均赞器之神，不知引器者，人也。引之有道，则万象皆为我用；引之无方，则至宝亦同顽石。”
概念解析：什么是 Prompt
在生成式人工智能，尤其是大语言模型（Large Language Model, LLM）领域，Prompt（提示指令 / 提示词） 指的是用户向模型输入的、用于引导模型生成特定输出的文本序列，是当前自然语言交互范式下，人类调动大模型能力的核心媒介。
核心本质
大语言模型本质上是基于海量文本语料训练得到的条件概率生成系统，它不具备自主意识与主动理解用户深层意图的能力，其生成过程是 “基于输入文本，预测下一个最合理的字符” 的连续采样。模型的知识与能力储存在百亿千亿级的参数之中，呈现为一个广阔的概率分布空间；而 Prompt 的作用，就是通过文本注入的方式，为这个概率空间施加强约束，将模型的生成范围从 “所有可能的文本” 收窄到 “符合用户需求的特定文本”，实现用户意图与模型输出的精准对齐。
核心构成要素
一个高质量的 Prompt 通常包含五大核心维度，这也是决定模型输出质量的关键变量：
- 角色设定（Persona）
：赋予模型特定的身份、立场与知识背景，约束其输出的视角与专业度； - 任务指令（Task Instruction）
：明确告知模型需要完成的核心目标，是输出的锚点； - 背景上下文（Context）
：提供任务相关的前置条件、专属数据与场景信息，弥补模型的信息差； - 约束条件（Constraints）
：划定输出的边界，如字数限制、禁用内容、合规要求、资源限制等； - 输出规范（Output Format）
：指定输出的结构、格式与风格，如分点、表格、特定文体等。
延伸领域
专门研究如何设计、优化、迭代 Prompt 以提升模型输出效果与对齐度的领域，被称为提示工程（Prompt Engineering）。它是零样本 / 少样本场景下，低成本激发大模型能力、降低调用成本、提升输出稳定性的核心技术，也是普通用户与专业开发者应用大模型的核心能力鸿沟所在。
