如果你還在網(wǎng)上搜集那些“寫給小白的提示詞指南”或者“10個讓你效率翻倍的提示詞模板”，我建議你先停一停。不是說那些東西完全沒用，它們就像是教你如何擰螺絲刀，能讓你入門。但如果你想真正理解你手里的這個“電動工具”——大型語言模型（LLM）——甚至想用它造出點新東西，你需要知道的遠不止這些。

真正有趣、也真正讓人頭疼的，是那些反直覺、不合常理的地方。這些“怪癖”恰恰揭示了LLM工作的某些底層邏輯，或者至少是它們當前階段的奇異特性。這才是值得我們這些想“搞事情”（build things）的人花時間琢磨的地方。

機器的“像素眼”：它們看到的和你不一樣

我們習慣了人類的交流方式，覺得文字就是文字。但LLM不一樣。它們對輸入的理解方式有時更像編譯器，有時又像個神秘的黑箱。

• 標點符號和空格的執(zhí)念：你可能覺得多打個逗號、少個換行無傷大雅，但在LLM那里，這有時就能徹底改變輸出結(jié)果。這感覺就像是你代碼里的分號放錯了位置，整個程序行為都不一樣了，但它發(fā)生在自然語言上，這就很怪了。
• 位置決定命運？：你以為把最重要的指令放在最前面就萬事大吉？不一定。有時模型會更在意最后看到的那句話（所謂的“近因效應”），有時開頭奠定的基調(diào)又難以撼動。這提醒我們，提示詞不是一個信息均勻分布的平面，而是一個有“地形”的空間。
• “無關(guān)”信息的漣漪：在提示詞里加點看似無關(guān)的背景、情緒色彩，甚至是一些隱藏在注釋或特定格式里的“私貨”（令牌走私），有時也能微妙地影響結(jié)果。這說明模型處理信息的過程可能比我們想象的更整體、更容易受“環(huán)境”影響，哪怕那環(huán)境是我們刻意或無意制造的。

和機器“談心”：讓它審視自己

我們通常把LLM當成一個指令執(zhí)行器。但更有趣的用法，是把它拉到“元層面”（meta-level）來對話。

• 自我批判的魔力：與其費盡心機寫一個完美的提示詞，不如讓模型先生成一個草稿，然后明確指示它“批評一下剛才的輸出”、“找出不足”，最后再“根據(jù)批評改進”。這種“反思回路”聽起來有點繞，但對于復雜任務，效果驚人地好。它在模擬（或者說，我們強迫它模擬）人類迭代改進的過程。
• 讓AI設(shè)計AI的指令：這聽起來更“元”了——用一個LLM來幫你寫或者優(yōu)化給另一個（或同一個）LLM的提示詞。當你描述清楚目標，讓它扮演“提示詞工程師”，有時它能想出比你更有效的指令。這本質(zhì)上是在利用機器對語言結(jié)構(gòu)的理解來“編程”語言本身。
• 窺探“內(nèi)心獨白”：簡單的“一步一步思考”已經(jīng)不夠了。你可以要求它“列出你的假設(shè)”、“分析請求的歧義”、“比較不同解釋路徑”。這不僅是為了結(jié)果，更是為了理解它的“思考過程”（或者說，它模擬出的思考過程），找到那些隱藏的邏輯斷點或偏見。

少即是多，喻勝于言：指導的藝術(shù)

有效的指導，有時不在于說得多，而在于說得巧，甚至在于不說什么。

• 戰(zhàn)略性留白：過度具體的指令有時會扼殺創(chuàng)造力。懂得在何時、何處不加限制，給模型留出“犯錯誤”或“自由發(fā)揮”的空間，反而可能得到驚喜。這需要對模型能力和任務邊界有很好的感覺。
• 類比的力量：一個好的類比，能讓模型迅速抓住復雜概念的核心，或者以一種特定的風格和框架來思考。比如讓它“像偵探一樣分析報告”，效果可能比列出一堆分析步驟要好得多。這是一種非字面的、更接近人類教學方式的引導。
• 精心設(shè)計的“榜樣”：少樣本提示（Few-shot）里的示例，其順序、多樣性、風格都暗藏玄機。它們不僅是內(nèi)容的示范，更是行為和風格的隱含設(shè)定。選擇和排列示例本身就是一門藝術(shù)，遠非“復制粘貼”那么簡單。

參數(shù)背后的“潛規(guī)則”

我們都喜歡調(diào)調(diào)溫度（Temperature）、Top-p這些參數(shù)，以為它們是控制隨機性的獨立旋鈕。但現(xiàn)實更復雜。

• 約束度與隨機性的共舞：同樣的溫度設(shè)置，在一個極其開放的提示詞和一個高度約束的提示詞下，產(chǎn)生的效果天差地別。參數(shù)的效果，是和你用提示詞劃定的“可能性邊界”緊密互動的。你得同時考慮提示詞的內(nèi)容和參數(shù)設(shè)置，才能找到那個微妙的平衡點。
• 長度的非線性魔法：“提示詞越短越好”或者“越長越好”都是過于簡化的說法。有時極簡能激發(fā)創(chuàng)意，有時極盡詳細才能保證精度。重要的不是長度本身，而是信息密度和結(jié)構(gòu)是否恰到好處。

所以呢？

了解這些“怪癖”有什么用？它們不是茶余飯后的談資，而是理解這些強大新工具本質(zhì)的線索。它們提醒我們，與LLM交互，更像是在探索一個陌生的物理定律系統(tǒng)，而不是簡單地使用一個軟件。

對于那些想要用LLM創(chuàng)造點什么的人來說，理解這些反常識的現(xiàn)象至關(guān)重要。它們能幫助你調(diào)試出更可靠的應用，設(shè)計出更有創(chuàng)意的交互，甚至可能啟發(fā)你發(fā)現(xiàn)全新的可能性。不要滿足于表面那些簡單的規(guī)則，去實驗，去“玩壞”它，看看它在壓力下、在奇怪的指令下會暴露什么。這才是真正有價值的探索。

如果您想要讓大模型寫出優(yōu)質(zhì)的短篇小說，以及對其他內(nèi)容感興趣，也歡迎點擊下面的鏈接，效果不錯哦，很多朋友都說好。

效果如下：

本文轉(zhuǎn)載自??草臺AI??，作者：RangerEX