为什么好人写出烂 Prompt？
Prompt 写得差，不是因为笨，是因为有几个反直觉的地方：AI 不会补全你的意图，不会忽略你的格式错误，也不会告诉你它猜错了。它只会用你给的输入生成看起来合理的输出，而"看起来合理"不等于"你想要的"。
下面是真实项目里最常见的 8 个坑。
---
坑 1：任务描述模糊，AI 开始猜
❌ "帮我优化这段代码"→ AI 不知道：优化性能？可读性？安全性？包大小？
→ 结果：AI 随机选一个方向，可能不是你要的
根因： 你脑子里有完整上下文，但没写进 Prompt。
✅ "优化这段 Python 函数的执行速度，目标是处理 100 万条记录时
运行时间从 30 秒降到 5 秒以内，可以引入任何标准库但不能改函数签名"修复原则： 把"我自己知道但没写"的信息都写进去。
---
坑 2：给了太多规则，AI 丢失重点
这个坑和坑 1 相反 —— 有人知道"要具体"之后，把所有想到的要求都塞进去：
❌
请写一篇文章，要求：专业、易懂、有趣、有深度、有数据支撑、
要有故事性、结构清晰、逻辑严密、不要太长也不要太短、
适合分享到朋友圈、同时也要适合专业读者、中英文都要有、
要有配图建议、结尾要有金句...研究表明，LLM 在超过 3000 token 的指令下推理能力开始下降。更重要的是，相互矛盾的要求（"适合朋友圈"vs"适合专业读者"，"不太长"vs"有深度"）会让 AI 无法决策。
✅ 写一篇面向产品经理的 AI 工具推荐文章
- 1200 字，微信公众号风格
- 推荐 3 个工具，每个说清楚：它解决什么问题、有哪些坑
- 不需要专业技术背景就能读懂修复原则： 选出最重要的 3-5 个要求，砍掉其余的。
---
坑 3：忘记告诉 AI "不要做什么"
AI 有填充冲动 —— 当它不确定时，倾向于输出看起来完整的内容，哪怕你没要求。
# ❌ 常见结果：AI 生成了代码 + 大段解释 + "以下是代码" 的前言 + "希望这对你有帮助" 的结尾
prompt = "用 Python 写一个快速排序函数"✅ 加上否定约束
prompt = """
用 Python 写一个快速排序函数。
只输出代码，不要解释，不要注释，不要示例调用。
"""常用的否定约束：
- "不要解释代码"
- "不要加前言和结尾客套话"
- "不要猜测缺失的信息，直接告诉我你需要什么"
- "不要改动我没有提到的部分"
---
坑 4：把模型当神，不验证输出
# ❌ 危险做法：直接用 AI 的输出
result = llm.generate("提取这段合同里的金额，返回数字")
amount = float(result) # 如果 AI 输出 "金额为 50 万元" 而不是 "500000"，直接崩溃✅ 在 Prompt 里限定格式 + 代码里做验证
result = llm.generate("""
提取合同金额，只输出阿拉伯数字（单位：元），例如：500000
不要输出任何其他文字
""")try:
amount = float(result.strip())
except ValueError:
# 让 AI 重试，或者 fallback 到人工处理
raise ValueError(f"AI 输出格式不符合预期: {result}")
规则： 生产环境里永远不要假设 AI 的输出格式是正确的。
---
坑 5：不同模型用同一套 Prompt
2026 年主流模型有明显的"个性差异"，同一个 Prompt 在不同模型上效果差距很大：
| 模型 | 最佳结构 | 特点 | |------|---------|------| | Claude | XML 标签 | 对指令字面意思很忠实，不乱加 | | GPT-4o | 自然语言 + Markdown | 善于补全意图，有时过度发挥 | | Gemini 2.5 | 结构化 JSON 或 Markdown | 擅长多模态、长文档 |
# ❌ 同一套 Prompt 跑所有模型
PROMPT = "你是一个代码审查专家，请审查以下代码..."✅ 针对模型适配
CLAUDE_PROMPT = """
<role>代码审查专家</role>
<task>审查以下代码的安全性</task>
<code>{code}</code>
"""GPT_PROMPT = """
你是一个代码审查专家。
请审查以下代码的安全性，列出所有潜在的 SQL 注入、XSS 和权限绕过风险。
代码：
{code}
"""
建议： 针对主力模型优化 Prompt，换模型时做 A/B 测试。
---
坑 6：单次对话塞太多任务
❌ "帮我：1. 分析这 5 篇文章的主题 2. 找出共同观点 3. 写一篇综合摘要
4. 翻译成英文 5. 给出 10 个 SEO 关键词"→ AI 会完成所有步骤，但每步质量都打折扣
→ 最容易出问题的是第一步：如果分析错了，后面全错
拆成 Prompt Chain：
# Step 1: 分析每篇文章
articles_analysis = [
analyze_article(article) for article in articles
]Step 2: 综合分析（用上一步的输出）
synthesis = find_common_themes(articles_analysis)Step 3: 写摘要
summary = write_summary(synthesis)Step 4: 翻译（独立任务）
english_summary = translate(summary, target="en")Step 5: SEO 关键词（基于最终稿）
keywords = extract_keywords(english_summary)每步可以验证、可以重试，错误不会级联传播。
---
坑 7：Prompt 写死了，没法迭代
# ❌ Prompt 硬编码在业务逻辑里，分散在代码各处
def process_resume(text):
response = llm.generate(f"分析这份简历：{text}，给出评分")
...def write_report(data):
response = llm.generate(f"根据 {data} 写一份报告，要专业")
...
当你需要改 Prompt，得翻遍整个代码库。生产环境的正确做法：
# ✅ Prompt 集中管理，版本化
prompts/v2/resume_analysis.txt
"""
<task>简历分析</task>
<criteria>技术匹配度、经验年限、项目质量</criteria>
<resume>{resume_text}</resume>
<output>JSON，包含 score(0-100)、strengths(list)、gaps(list)</output>
"""prompts/loader.py
def load_prompt(name: str, version: str = "latest") -> str:
return Path(f"prompts/{version}/{name}.txt").read_text()业务代码
def process_resume(text):
prompt = load_prompt("resume_analysis").format(resume_text=text)
response = llm.generate(prompt)
...把 Prompt 当配置管理，不当代码的一部分。可以随时 A/B 测试不同版本。
---
坑 8：用激烈措辞"威胁"AI
这个坑专门针对 Claude：
❌ "YOU MUST follow these rules EXACTLY! NEVER deviate!
This is CRITICAL and EXTREMELY IMPORTANT!!!"→ 效果反而更差：Claude 3.x+ 对过激语言会产生防御性反应，
更容易过度谨慎或者添加大量免责声明
Claude 的训练目标是"有帮助、无害、诚实"。当你用威胁性语言，模型会把你的请求当成高风险信号，触发更多内部审查。
✅ "请严格按照以下格式输出，这对下游处理很重要："
→ 平静说明原因，比感叹号更有效✅ "如果输入不符合预期，直接返回 {\"error\": \"invalid input\"}，不要猜测"
→ 告诉 AI 该怎么处理边界情况，而不是威胁它不要犯错
---
快速诊断清单
在提交 Prompt 之前，过一遍这 8 个问题：
- [ ] 任务足够具体？（坑1）
- [ ] 要求不超过 5 条，没有矛盾？（坑2）
- [ ] 写了"不要做什么"？（坑3）
- [ ] 输出格式有明确约束 + 代码端有验证？（坑4）
- [ ] 针对目标模型优化了结构？（坑5）
- [ ] 复杂任务拆成多步？（坑6）
- [ ] Prompt 集中管理，不硬编码？（坑7）
- [ ] 没有使用激烈/威胁性语言？（坑8，主要针对 Claude）
全部打勾，Prompt 质量至少在及格线以上。
