提示词总不稳定？给模型例子比讲道理更管用
同样一段提示词，今天让AI答得漂亮，明天却答得离谱。很多人以为是模型不稳定，于是反复改写措辞，越改越玄。真正的症结往往在于：你在用讲道理的方式提要求，而模型更擅长照着样子抄。
模型不是逻辑执行器，而是模式补全器
大语言模型的底层任务是预测下一个词，它会顺着你给出的上下文，补出一个最可能的延续。你描述得再清楚，本质也是在用文字暗示一种模式；而给例子，是直接把这种模式摆在它面前。这就是少样本提示（few-shot）的原理：靠上下文学习，让模型从示例中推断出你没说清的隐性规则。
为什么例子比描述更管用
举个例子，你说请写得专业一点，这句话对模型几乎没有约束力，因为专业因人而异。但如果你给两个示例，展示你所谓专业的语气、句长和用词，模型立刻就能对齐。示例把模糊的标准变成了可观测的样式。很多所谓提示词玄学，其实是没给样子的结果。
例子怎么给才有效
- 数量控制在两到五个：太少不足以上升为模式，太多会稀释重点、抬高成本。
- 格式完全一致：输入输出结构、标点、长度都要统一，任何一处不统一都会被模型当成噪声学走。
- 覆盖边界情况：除了典型正例，加一个容易出错的例子，告诉它不要怎么做。
- 留一个待填的空：最后的示例只给输入，让模型接着补输出。
结构化提示的三件套
把一段好的提示拆开，通常是三层：任务与角色说明你是谁、要做什么；约束给出边界和禁忌；输出格式加示例规定它长什么样。三层里，示例的权重最高，因为它同时暗含了任务、约束和格式。
一个改写案例
一位运营同学让AI把用户反馈整理成标签，原来的提示是请仔细分析并给出准确专业的分类，结果每次分类口径都不一样。后来改成先给三条标注示例：输入一段真实评论，输出固定为情绪加主题两个标签；再补一个含糊评论该怎么处理的边界示例；最后附上一条未标注的评论。分类一致性立刻大幅提升。他改的不是措辞，而是给了模型可对齐的样子。
常见误区
- 示例格式不统一：模型会优先学你无意中透露的噪声。
- 只给正例：不给边界，模型就不知道什么不该做。
- 堆十几个例子：边际收益递减，还挤占了正文空间。
- 把提示写成小作文：大段道理远不如两个干净的例子。
行动建议
挑一个你反复调不好的提示，删掉一半描述性的话，换成两到三个格式一致的示例，再补一个边界案例。你会发现，让模型听话的关键，往往不是说服它，而是给它一个可以模仿的样板。