先说个让人沮丧的事实：我 2024 年收集的一半 Prompt 技巧，现在已经没用了。
"让我一步步思考"在推理模型上反而降低质量；角色扮演带来的提升在新模型上几乎消失；那些精心设计的分隔符技巧，模型早就不需要了。
但有几个模式活了下来。它们的共同点是：不依赖模型的具体行为，而是约束输出的结构。
经得起迭代的五个模式
1. 先给结论，再给理由
这是投入产出比最高的一个改动，且适用于几乎所有模型。
❌ 请分析这个方案的可行性，然后告诉我你的结论。
✅ 先给出一句话结论（可行 / 不可行 / 需要更多信息），
再用不超过五条理由支撑这个结论。区别在于：第一种写法下，模型会边推理边组织语言，容易在推理过程中自我动摇。第二种写法强制它先形成判断，理由是后补的支撑。
副作用也很有价值——结论前置让你能快速判断要不要读下去。长回答里，这个信息密度差异很明显。
2. 显式声明不确定性
模型的默认倾向是"给一个答案"，而不是"说不知道"。这个倾向需要主动对抗。
对于你没有把握的判断，必须明确标注 [不确定] 并说明缺什么信息。
编造一个看似合理的答案，比说"我不知道"严重得多。第二句话不是废话。它给"承认不知道"提供了合法性——模型需要知道这个选项是被允许的，甚至是被鼓励的。
实测下来，加上这段后，幻觉率明显下降，但代价是"我不知道"的出现频率上升。这个交易是否划算取决于场景：客服场景未必划算，医疗、法律场景一定划算。
3. 结构化输出优于格式说明
不要描述格式，直接给 schema。
❌ 请用 JSON 格式输出，包含标题、摘要和标签。
✅ 严格输出如下 JSON，不要包裹在代码块中，不要添加任何解释：
{
"title": string,
"summary": string,
"tags": string[],
"confidence": number // 0-1，你对自己判断的确信程度
}confidence 字段是我后来加的，效果意外地好。它不只是给你一个参考值——要求模型自评置信度，本身会让它更谨慎。这是个免费的幻觉抑制器。
4. 少样本示例 + 反例对照
给示例大家都知道，但只给正例其实浪费了一半的价值。
## 好的输出
用户问"怎么退款" → 直接给出退款入口路径和预计到账时间
## 差的输出
用户问"怎么退款" → 先解释公司的退款政策背景，再讲退款流程的
设计初衷，最后才提到操作路径反例的作用不是"告诉模型不要做什么"，而是标定粒度。长度、详略、切入角度——这些抽象要求用正例说不清，用反例一对比就明白了。
5. 把任务拆成有中间产物的阶段
复杂任务一次性输出，质量通常低于分步输出。
分三步完成，每步输出后我会确认再继续：
步骤 1：列出需求中所有的显式约束和隐含约束
步骤 2：针对每条约束，说明当前方案如何满足（或说明为何冲突）
步骤 3：基于前两步，输出最终方案关键在步骤 1 和 2 的中间产物是可验证的。你能立刻看出约束有没有遗漏，而不是等到最终方案才发现问题。
这个模式的变体是多轮对话：把长任务拆成多轮，每轮聚焦一个子问题。代价是交互成本，收益是可控性。
应该扔掉的三个技巧
❌ 角色扮演
"你是一位资深 X，拥有 20 年经验" —— 这个技巧在早期模型上确实有效，但在当前模型上带来的提升接近噪声。
它的有效场景只剩一个：输出风格的迁移。想让回答更口语化或更学术化，指定一个角色仍有帮助。但指望它提升专业准确性，已经不现实了。
❌ 威胁与利诱
"答错了我会被解雇""答对了给你 100 美元小费" —— 这些从未真正有效过，只是早期用户的主观感受。
有研究测过，这类激励性语言带来的提升在统计上不显著，而且会让输出变得更冗长（模型倾向于"多说一些显得更努力"）。
❌ 复杂的分隔符技巧
用 <<<>>>、###、XML 标签层层包裹输入——在模型足够强之后，这些技巧的边际收益趋近于零。
现在更可靠的做法是：用结构化的输入格式（如 JSON、YAML）替代分隔符。结构本身携带信息，分隔符只是视觉噪音。
一个通用模板
把上面五个模式组合起来，这是我现在的默认起点：
<任务>
一句话说明要做什么
<输入>
{结构化输入，优先 JSON / 列表，而非大段文本}
<输出要求>
1. 先给结论，再给理由（不超过 N 条）
2. 没把握处标注 [不确定] 并说明缺什么
3. 严格按以下 schema 输出，不添加额外解释
{schema}
<示例>
正例：{...}
反例：{...}（说明为什么差）
<边界>
只做 X，不做 Y
信息不足时明确说明，不要推测大部分任务调这个模板的两三个字段就够用，不需要从零写。
怎么判断一个技巧还有效
最后给个可操作的方法：做 A/B 对比，且用固定的评测集。
def compare(prompt_a: str, prompt_b: str, cases: list[Case]) -> Report:
"""用同一组用例跑两个 Prompt，比较胜率而非主观感受。"""
wins = {"a": 0, "b": 0, "tie": 0}
for case in cases:
out_a = run(prompt_a, case.input)
out_b = run(prompt_b, case.input)
winner = judge(case.expected, out_a, out_b) # 用模型做裁判
wins[winner] += 1
return Report(wins, cases=len(cases))至少需要 30 个用例才能看出稳定差异。少于这个数量，你观察到的多半是随机波动——人脑特别擅长在没有模式的地方看出模式。
如果一个技巧你只在两三个例子上验证过就深信不疑，那它大概率是运气。