提示词是否还重要？

看过不少提示词的设计方法，像是谷歌前两天出的提示词工程白皮书、OpenAI 的官方提示词指南等等，网上流传的提示词有长有短，模板千千万，国内也有不少老师分享关于提示词的道与术。今天，我打算用一个新的视角切入，用信息论来阐述提示词的设计方式。

在此之前，我想问大家一个问题，模型能力都那么强了，我们还有必要学提示词吗？特别是对于推理模型，比如 deepseek-r1 复杂的提示词反而会影响模型的输出

这个问题的答案可以从两个方面来思考。

一方面，AI 模型虽然能力强大，但它仍然需要明确的指令来理解用户的需求。提示词是用户与 AI 之间的沟通桥梁，决定了 AI 的输出方向。如果提示词模糊或不明确，即使 AI 再聪明，也可能生成不符合预期的结果。

另一方面，提示词能指定输出的风格（如幽默、学术）、格式（如列表、表格）或语言（如方言、专业术语），而模型本身无法自动感知这些需求。

无论 AI 进化到何种形态，只要我们还需要向它输入信息来获取期望的回应，那么提示词就会永远有价值，只不过可能随着模型能力的提升，我们的提示词会越来越简单精炼。

好了，现在我们知道提示词依然重要，那它扮演了什么样的角色呢？

提示词——用户与模型沟通的桥梁

信息论中有一个经典的模型叫【香农-韦弗模型】，模型由信息源、编码、信道、解码、接收者这么几个模块构成。

在和 AI 沟通的场景中，用户的需求或者意图对应着信息源，大模型可以看作传输信号的信道，也可以看作一个解码器，其核心功能是将输入的信息转化为有意义的输出。

提示词则作为用户与模型沟通的桥梁，一方面，它承载着用户的意图；另一方面，它也要匹配模型的能力，让模型能够理解，从而减少不确定性（熵）

提示词是怎么发挥作用的

好了，现在我们知道提示词是用户与模型沟通的桥梁了，那它是如何发挥作用的呢？要理解这一点，我们需要从模型处理提示词的基本流程入手。

模型首先将用户输入的提示词拆解成更小的模块，如字、词、短语或符号。例如，提示词“请写一首关于夏天的诗”会被拆解为“请”、“写”、“一首”、“关于”、“夏天”、“的”、“诗”。

这些分词后的单元会被向量化。什么是向量化？简单来说，就是把你要表示的东西变成一组数字的组合，比如我们要表示一个人，可以用这么一组数字【1，168，50，25】来表示

看不懂？我们来解释一下就明白了。第一个数字表示性别，第二个数字表示身高，第三个数字表示体重，第四个数字表示年龄，那么这组数字就表示一个身高 168cm，体重 50 公斤，年龄 25 岁的女生。那么为什么要向量化呢？原因主要是计算机擅长处理数字，通过向量化，模型可以利用矩阵运算等高效的计算方法来处理文本信息，大大提高了处理速度和效率。

随后，模型会使用“注意力机制”来分析提示词中的关键信息。注意力机制能够帮助模型理解哪些部分的信息更为重要。例如，在提示词“请写一首关于夏天的诗”中，模型会注意到“夏天”和“诗”是核心主题。

最后，模型会基于其在海量训练数据中学到的语言规律，预测最可能符合用户需求的词序列。

如何设计清晰可用的提示词

为什么得不到想要的答案

大概知道了原理，该进入核心的部分了，怎么样能设计出清晰可用的提示词，在此之前，我们先来看看在和 AI 交流的时候，为什么得不到想要的答案，我们仍然从【香农-韦弗模型】入手。

1）信息源不明确：用户需求模糊

在香农-韦弗模型中，信息源是信息传递的起点。如果用户的需求本身模糊或不明确，提示词就无法准确编码，导致 AI 生成的结果偏离预期。那该如何细化用户的需求呢？

最重要的一点是要确定目标，也就是想要得到的输出是什么。这里可以借鉴管理学中 SMART 原则，即目标应该是具体的（Specific）、可衡量的（Measurable）、可实现的（Achievable）、相关的（Relevant）和有时限的（Time-bound）。

第二点是要为 AI 提供他不知道的背景信息。模型训练的语料并不包含我们个人的信息，如果直接问和个人相关的问题，模型就会显得不那么聪明。

举个例子，直接提问“帮我制定一份减肥计划”得到的结果一定差强人意，第一点是因为模型缺乏用户个人数据；需额外补充个人的身高、体重、减重目标、运动频次等信息。

第二点是目标不够明确，我们可以用smart原则来明确好自己的目标并对提示词进行优化，首先减肥这个目标就很模糊，减重五斤就是一个比较合适的表达，具体可衡量而且对自己来说容易实现。其次要订下截止时间，比如在一个月内减重五斤，有截止日期才方便模型指定计划。再者，这个计划要和自己的大目标相关，比如是医疗需求还是追求外形的苗条。

那我们的提示词可以这样写，先上传好自己的基本信息，然后对大模型说：请根据我的信息帮我制定一个为期一个月的减脂计划，结合饮食控制、有氧运动和力量训练来实现，计划中要包含具体的食谱和运动方案。

但是有些时候，用户甚至并不知道自己的需求，只是大脑里有个模糊的雏形，那该怎么办呢？

这种情况下，可以采用 迭代式提问法，即通过与 AI 的多次交互，逐步明确需求。例如，用户最初可能只有一个模糊的想法：“我想写一篇关于健康的文章。” 通过与 AI 的对话，用户可以逐步细化需求：

第一次提问：“帮我写一篇关于健康的文章。”

AI 生成初步内容后，用户发现更感兴趣的是“心理健康”这一领域。

第二次提问：“帮我写一篇关于心理健康的文章，重点讨论压力管理的方法。”

用户进一步明确目标：“请分析职场人士如何通过正念冥想缓解工作压力，并提供具体的实践建议。”

通过迭代式提问，用户可以从从模糊的需求中提炼出清晰的目标

2）编码不准确：提示词设计不当

提示词作为信息编码的工具，如果设计不当，可能导致信息失真或丢失。例如，提示词过于笼统或包含歧义，都会影响 AI 的解码过程。这就涉及到精准表达的问题了。那么，如何做到精准表达呢？

第一点，需要避免使用模糊的词汇或过于宽泛的描述，而是用清晰的语言传达需求。笼统的提示词 “写一篇关于科技的文章”可能会让 AI 无所适从，而具体的提示词“写一篇 800 字的文章，分析 人工智能在金融领域的应用” 则能更精准地引导 AI 生成符合预期的内容。

第二点，提示词应避免歧义。 某些词汇或短语可能有多重含义，容易导致 AI 误解。举个例子，“请设计一个年轻人喜欢的logo”就是一个包含歧义的表述，这句话既没有定义年轻人的年龄层，也没有定义喜欢的风格，输出的结果大概率会比较随机。

第三点，提示词应包含必要的约束条件。 像是字数限制、语言风格、目标受众等。这些约束条件可以帮助 AI 生成更符合用户需求的内容。

3）解码偏差：AI 模型的理解局限

不同 AI 模型就像不同的专家，各有所长也各有局限。选择不合适的模型会显著影响输出质量。那么，了解模型的专长和局限性是关键。

为了更好的阅读体验，来飞书看吧：

https://cvt20qble4f.feishu.cn/docx/UdZTdw4ZWonQ46xEtG8chtXWnIg