AI 输出的质量，取决于你给的约束条件
两份会议记录交给两个人整理。第一个人输入「帮我整理一下会议纪要」，得到一段概述，读了等于没读。第二个人输入同样要求，再补上几句：输出成决议、待办、遗留问题三块，每条待办必须带负责人和截止日期，不确定的地方标注出来待确认。
第二个人的结果可以直接发到群里执行，第一个人的结果还得重读一遍再改。他们用的模型和原始材料完全一样。
大模型的生成过程本质是补全。它把你的输入当作待续写的开头，缺失的部分由它按最常见的方式填补。你省略的条件，它替你决定；而最常见的写法，通常就是平均水平。
约束为什么能提高质量
约束的作用是把开放题变成选择题。没有约束时，模型的输出空间极大，任何通顺的表达都算合格，于是它走向最安全的平均表达。给出约束后，合格的标准变窄，输出必须满足具体条件才行。
以字数为例。要求「三百字以内、每条结论必须带一个数字」，模型就无法用铺垫和排比填充篇幅，只能把信息压缩。密度是被逼出来的，不是被要求的。
格式约束的效果同样直接。指定用表格或分点，模型必须先把内容归类，这个过程本身就完成了一部分结构化思考。要求它先给结论再给理由，输出顺序自然就符合读的人的习惯。
可以分五类下约束
- 身份与读者：这份东西给谁看，他在什么场景下使用。
- 长度与结构：总字数、分几块、每块写几条。
- 内容边界：必须包含哪些要素，明确禁止出现哪些词或说法。
- 格式要求：段落、列表还是表格，是否使用小标题。
- 质量验收：什么样的结果算合格，哪些情况要标注不确定。
第五类最常被忽略，却往往最有效。「不出现积极推进、努力提升这类空话」「每条数据必须给出底数」「不确定的内容标注为待确认」，这几句话会让模型在生成过程中自我过滤，减少事后修改的工作量。
一次客服话术的改造
某教育机构的客服团队需要用 AI 生成回复模板。起初的提示词只有一句「写一段安抚用户的话」，生成的文本热情但空洞，被主管判定不能用。
调整后的提示词增加了四条约束：读者是已经缴费但课程延期的家长；控制在两百字以内；第一句必须先确认对方的具体诉求；不得承诺具体的退费时间，只能说明处理流程；结尾提供一个可执行的下一步。
同样的模型，修改后生成的内容七成可以直接使用。更重要的是，人工修改集中在事实核对上，而不是重写语气和结构，单次处理时间从十几分钟降到三分钟以内。
约束的两个反向陷阱
第一个是约束过载。一次给十几条规则，模型容易顾此失彼，抓住其中几条忽略其他。规则尽量控制在五条以内，并且按重要性排序，把最关键的前置。
第二个是约束与任务冲突。既要求一千五百字详解，又要求结论先行且只用三句话，这种自相矛盾会导致输出摇摆。约束之间要能同时满足，否则先回去厘清任务本身。
还有一点值得提醒：约束不能替代判断。模型给出合格格式的内容，事实是否准确、逻辑是否成立仍需人来负责。约束解决的是效率问题，不是责任问题。
从一个任务开始固化
挑一个你每周都做的任务，写下五类约束各一条，跑三轮，把不满意的部分改成新的约束，存进备忘录。用两周时间，你会得到一份针对这个任务的稳定模板。
模板的价值在于可复现。它把一次成功变成每次都成功，也让你从「不断重新描述需求」里解放出来，把精力放在真正需要判断的部分。