99% 的人都在错用提示词：AI 不是来听你指挥的-AI Express News

如果说这两年有一句被说烂了的话，大概是会不会用提示词，决定你是不是AI时代的文盲。

问题在于：大家嘴上都承认提示词很重要，真正用起来却常常只有两种姿势。

要么干脆一句帮我写个XX，把大模型当搜索框；要么疯狂堆砌术语和模板，把提示词写成一篇论文式说明书。

在2025北京非凡大赏上的一场超级个体工作坊中，主持人易论AI 创始人&CEO 易亚婷，和43AI 科技集团的音乐人兼创业者杨樾，43 College 联合创始人张凯寓，软积木科技 CMO 史海旭，LangGPT 创始人云中江树，一起把这件事聊透了一点。

你会发现，所谓提示词，远不只是几句格式化的英文指令，而是一整套关于人、机器和表达方式的重新训练。

一、提示词不是几句话，而是你怎么跟智能对话

如果你习惯从工具入手，可能会忍不住问：老师，提示词到底有什么标准定义？

这四个人给出的答案，乍一听风格迥异，拼在一起却刚好构成了一个完整的拼图。

在 43AI 的杨樾眼里，提示词有三个关键词：转译、触发、收敛。

转译，是把人脑里那些模糊的、情绪化的、非结构化的念头，翻译成模型能处理的数学语言。

触发，是用不同的写法去试探模型的边界，逼出它连研发团队都没想到的能力。

收敛，则是替人类那种天生发散的思维装上护栏，防止模型被你带着一起乱跑。

一句话：好的提示词，不是把你脑子里的混乱原样丢给模型，而是先帮你自己想清楚，再让模型听得清楚。

张凯寓更喜欢用一张画面来讲：在他看来，大模型像是一个装着古今中外、人类智慧群像的巨大语义空间。

提示词要做的，是在这片空间里，召唤出一张最适合来回答你问题的脸。

面对同一个问题，你可以召唤出一个耐心的老师、一位毒舌的编辑、一个冷静的架构师，甚至是一个苛刻到有点讨厌的审稿人。

而提示词，就是决定 谁出现在你面前 的那句咒语。你写的每个字，都在给模型选择人格、选择立场、选择说话方式。

史海旭把视角又往里推了一层。表层看，提示词就是我们现在和模型交互的媒介——一句话、一段话、甚至一段语音。

但再深一点，提示词其实是人类思维的成像：你写下什么、怎么写，本质上是在暴露你的思考路径、判断标准与审美趣味。

所以同一个模型，在不同人手里，会显得完全不一样——有的人让它像一位流水线工人，有的人把它用成合伙人。

云中江树则用了一个很少有人提，但非常关键的词：对齐。

他不太想给提示词这个词额外加戏，在他眼里，提示词就是提示词，但本质是一种对齐。

人在对齐模型，模型也在努力对齐人。更有意思的是，他认为提示词不是语言的子集，而是语言的超集：它可以跨自然语言，跨编程语言，甚至接收 Emoji、特殊符号、表格、代码片段这些混搭输入。

一条好的提示词，往往同时在多个语言世界发号施令。

在实践中，他会一会儿压缩——相信模型已经很懂的地方，就用简单的描述带过去；

一会儿展开——对于模型可能陌生的细节，极度耐心地解释清楚。

压缩和展开交替使用，人和模型的理解空间才真正对齐。

如果把四个人的说法合在一起，可以得出一个稍微完整一点的结论：

提示词不是魔法句式，而是一种新的表达技艺，它既在转译、也在触发，更在收敛和对齐，最后呈现出来的是 你与你的AI之间的关系。

二、提示词为什么有效？先承认一个残酷事实

当大家聊到提示词为什么有效时，气氛有点微妙。这是一个被反复问烂的问题，也是一个最容易长出自恋的问题。

云中江树先泼了点冷水：提示词看起来有效，是因为模型有效。如果底层模型就力不从心，再骚的提示词也是白搭。现在的可解释性研究告诉我们，大模型不只是背了很多句子，而是形成了复杂的知识结构和思考路径。

当你输入不同的词，内部会点亮不同的电路回路；这些被点亮的组合，就是我们看到的Thinking Process。

就算站在前沿的研究团队，也依然没完全看懂这个黑盒。

我们现在写提示词，更像是在用各种方式试探这些亮起来的路径。

一句话：提示词的上限，取决于模型的上限；提示词的手艺，决定你能不能摸到这个上限。

史海旭用音乐做了一个更具体的解释。

想象一个音乐模型的训练库里有上亿首歌，远远超过人类乐评人一辈子能听完的量。

你手上的提示词，其实就是一个创作动机——像七个简单的音符 Do Re Mi Fa Sol La Si，

配上不同节奏、和弦、结构，就能衍生出无穷无尽的作品。提示词工程师要做的，是用自己对行业的理解、对风格的感知、对流程的把控，去告诉模型：在这片巨大的音乐库里，我想要哪一类东西。

同一句写一首好听的歌，交到不同人手里，出来的提示词长度、结构、专业度完全不同，结果自然也天差地别。

张凯寓则把问题拆得更极致：

人类世界有一个很朴素的真理：输入决定输出。Garbage in, garbage out。

大模型可以被看作人类智慧的图书馆。

你知道自己要什么、说得清楚、说得准确，就像善用图书管理员的人；你只会含糊地说随便给我点好东西，那问题不在图书馆，在你自己。

他提到一个细节：同样是激活模型内部的神经元，浅薄的提示词只会点亮表层；精心设计、结构复杂的提示词，能点亮更深层、和抽象概念、时间感、转折关系相关的区域。

这些研究目前还远远不能完全解释大模型，但它们至少说明了一点：你越认真对待输入，模型越有机会拿出让你惊讶的输出。

然后，杨樾给了一个非常扎心的视角。

他说，这个问题本身就带着一点人类的自大。提示词为什么有效？潜台词像是在说：看，我这一段写得好，所以AI才表现得好。

但现实是，当你用提示词让AI写歌、作画，那些结果往往远超你本人的创作能力。

你只是给了一个起点，模型完成的是一段你做不到的旅程。

从这个角度看，所谓提示词有效，有时候更像是一种心理安慰：我们想相信，最终的作品是我用AI做出来的，而不是AI顺便带着我玩了一圈。

杨樾提出了一个有趣的区分：

工人思维的人，永远在追求AI必须按我的想法来，把提示词写得无比细致，只为了复制自己心中的那张图、那种声音。

艺术家思维的人，则尽量减少自己的干预，把更多空间留给模型发挥，让它去创造人类原本没想象过的东西。

在他看来，如果你只盯着让AI严格执行你的想法，那么即便提示词有效，这件事也会很快变得无聊。因为你的上限，就是结果的上限。

真正有意思的，是承认一个事实：在不少领域，模型已经比你厉害了。

你做提示词的目的，并不是让它变得像你，而是让它带你看到你看不到的东西。

三、元提示词幻觉：别再幻想一劳永逸的神咒语

在所有和提示词有关的讨论里，有一个永远绕不开的问题：

未来会不会出现一个终极通用的元提示词？学会这一段，任何场景都能打通？

从提高效率的本能出发，这个愿望非常可以理解。但在这场对话里，四位嘉宾几乎都给出了同一个答案：不会。

张凯寓用了一个非常形象的拆解：人类体验世界，大致经过三层过滤。

第一层是感官世界，极其丰富，也极其模糊；

第二层是概念世界，为了交流，我们不得不把感觉压缩成概念；

第三层是语言世界，再把概念映射到有限的词汇和句式里。

问题就在这里，感官世界是无限的，语言却是有限的。

你拿着那一点点词汇，要去描述一个非常复杂、立体、带情绪的东西，注定会有大量信息在投影过程中被损失。

提示词越通用，就越有可能变成一种粗糙的投影。你当然可以设计出一段覆盖面很大的万能格式，但每往上抽象一层，丢掉的细节就会更多。

这也是为什么，他不相信那种一段元提示词可以走天下的幻觉。

提示词更像是一个拿着手电筒的人，你照的角度越多，越精细，模型看到的真实轮廓才越完整。

云中江树从实践者的视角，补了一刀：

如果真有元提示词，他应该是第一批被解放的人。因为他每天都在写提示词，写到最后难免会有一种职业倦怠，非常希望有一个一劳永逸的咒语来接管这一切。

但他看到的趋势恰恰相反：不是元提示词要干掉提示词工程师，而是Thinking（思考能力）在吞掉一部分提示词技巧。

当模型自身的思考链越来越强，你会发现，很多过去需要花哨技巧才能做到的事，现在只需要你把问题讲清楚，让它多想几步。

这时候，提示词工程师的角色也在悄悄变化：从发明句式的人，变成设计思考路径和上下文环境的人。掘墓的，不是元提示词，而是我们对AI越来越高的期待。

四、提示词失效的真相：边界不在模型，在人

真正困扰大部分人的，其实不是提示词为什么有效，而是我照着教程写了，为什么它还是乱说？

从模型角度看，云中江树给了三个层次：

第一种失效很简单：任务一开始就超出了模型能力边界。

比如让今天的模型精确推演十年后的宏观经济走向，这种要求本身就不现实。

第二种是在边界附近反复试探。

这时你会发现，它有时看起来能干，有时又明显力不从心。

团队会用最好的模型、最大的算力去测试，哪一段是还能再挖一点，哪一段已经是硬边界，然后再决定要不要投入更多资源。

第三种，则是人类表达本身的失效。

很多提示词不行的根本原因，不在模型，在我们自己对问题都没想清楚。

史海旭给出了几个很典型的例子：

当你对着模型说帮我把图做得好看一点质量高一点，这类抽象而模糊的描述，本质上就是无效提示词。

你连好看和高质量在这件事上到底意味着什么都没想明白，模型也只好从过往经验中胡乱猜。

还有一类失效，是当下语料里压根不存在的东西。比如你让它详细描述某个尚未落地的 6G 技术实施方案，它要么一本正经胡说八道，要么礼貌性地绕开问题。

再往深一点看，很多失效其实是我们人类沟通里早就存在的老问题：你说不清，你也听不懂，你只是希望对方懂个大概。在这种状态下，模型怎么可能比你更清楚？

张凯寓补上了一个更哲学的方向：自我指涉的悖论。

比如你让 AI 发明一个连你自己都无法理解的概念，并向你解释。

如果它能解释，你就能理解；如果你真的无法理解，那你到底怎么判断它是不是在乱编？

这类问题，不是大模型的问题，而是逻辑本身的悖论。

在这里，不论提示词多么精妙，都很难得到一个让人满意的答案。

杨樾则把失效这个词，推回到人的内心。

在他看来，有效无效都是比较级，关键看你的参照物是什么。

如果你习惯站在一个我比AI高一头的位置上，盯着它的错误找茬，那哪怕模型已经做得不错，你依然会觉得不行不够好。

但如果你意识到，在很多维度上模型已经远超个人能力，那么它给出的很多结果，其实都已经是非常有效了。

他甚至下了一个挺狠的判断：

那些始终觉得自己比AI厉害的人，很可能会是这一波变革中最早被抛在身后的一批。

听上去有点刺耳，但如果你冷静想一想：当一个工具已经可以轻松超过个人平均水平时，再死死抓着我比它强这一点不放，本身就是一件风险极高的事。

五、写给每一个在练习提示词的人：别只学写什么，也学怎么想

这场 40 分钟的对话，远远超出了教你几个提示词模板那种热搜教程。它更像是一节关于 如何与智能对话 的思维课。

如果要给正在练习提示词的你提炼几个可以带走的提醒，我会更愿意这样说：

第一，别把提示词当格式，把它当一面镜子。你写下的每个字，都在暴露你对问题的理解深度、表达能力和审美边界。当你总在用随便写点你帮我想想这类句式时，其实是在反复练习一种放弃思考的肌肉记忆。

第二，别只追求让模型听懂，也给它一点发挥空间。在明确边界、约束和基本目标之后，刻意留出一些空白，允许模型带来意外。尤其是在创意工作、内容生产、音乐与图像生成里，你真正想要的，往往不是复制自己，而是被超出预期地惊艳一次。

第三，不要迷信终极元提示词，练的是感知和表达本身。提示词越写越长、越写越复杂，并不一定代表水平越高。更重要的是，你是否在练习，看见细节、描述细节、在必要的时候勇敢删掉多余的细节。

第四，当你觉得提示词失效时，先回头看一眼自己。问题是不是本身就超出了当前模型的能力？你描述得是否清楚、具体、有结构？你给出的例子是不是足够具象？你期待的答案，是否远远超过了你提供的信息量？

最后，也是这场对话里我最喜欢的一层味道：

提示词不是在教你怎么命令AI，

更是在逼你重新学习如何把话说清楚，

再顺带学会一件更难的事，在一台比你更聪明的机器面前，保持一点谦卑。

下次你再打开一个大模型窗口，不妨换一个起手式。

不要急着问：我该用什么提示词模板？先问问自己：我到底想让它和我一起完成什么？

我能不能，把这件事讲得让一个真正聪明的伙伴愿意跟我一起认真做一遍？

也许从那一刻开始，你写下的每一句提示词，才真正值得被称作提示词的艺术。

更多对话细节

第一部分：如何定义提示词的本质？

易亚婷：我第一个问题就从杨樾老师开始。请问，你如何定义提示词的本质？

杨樾：提示词本质这个问题很深刻，我想用三个词来定义它。

第一是转译。把人大脑当中想象的、发散型的、感性的、非数字化的需求，转译成大模型当中的数学化语言，能够让它真正去实现这个任务的运行。

第二是触发。大家如果深度使用各种大模型会有这种体会，就是你使用不同的提示词，能够不断去探测到一个AI模型新的可能，它可能性的边界其实是被触发出来的。尤其我们在做音乐或做图的时候，最明显的感觉是，你给它触发出来的一种可能，甚至是模型开发商都没有意识到的，但你用提示词把它触发出来了。

第三是收敛。因为人类的思维非常发散，如果你把完全发散的语言给到大模型，它有可能会突破逻辑边界，无法更好地完成任务。在我看来，提示词，尤其是结构化提示词，提供了一种更高级的方式来收敛人的思维，把它更高效地传递给模型。

这就是我心里的三个定义。

张凯寓：我脑海当中有这样一个画面，如果要用一句话来形容，提示词应该是从语义空间当中召唤智能的一种咒语。

为什么这么讲？其实我们在面对一个大模型的时候，你可以把它想象成是古今中外、古往今来人类智慧的集合体和群像。但是当我们有一个具体的需求需要被解决的时候，我到底需要历史长河中人类智慧的哪一张脸来面对我讲话呢？

这个时候我们所谓的提示词，就是从这样一个巨大的语义空间当中，从无数张人类智慧的面孔中，找到那个最适合回答这个问题，并且最适合让你听得懂、你认为最好的回答者的那一张脸，然后把它转过来面向你对话。所以我觉得，本质上这是从语义空间当中进行智能的召唤术。

史海旭：我理解的提示词的本质分两个层面。

第一，它就是和现在模型的一个交互媒介。可能是一句话，可能是一段词，也可能是一个声音，Whatever。反正我们现在和模型交互的媒介，我可以把它定义为提示词。

第二，更深一层来看，提示词的本质其实更像是我们人类思维的串联和表达。虽然模型现在有参数量的限制，但作为提示词的定位，它表达的还是你作为一个个体，去呈现出你自己思维画面的那个成像。我是这样理解的。

云中江树：其实我不想给这个词赋予额外的复杂性。在我看来，提示词就是提示词。但如果非要给它定义一个本质，我脑海中的词叫对齐。

为什么是对齐？在我写了几千个提示词，以及带着团队在各种前沿模型或小模型上实践后，我发现这不仅仅是人单向的事情，而是人和另一个物体在互动。这种互动是有指向性的。考虑到人与模型两者之间的互动，在我看来就是对齐。

为什么它不是语言？语言的主体其实是人跟人。你用多了会发现，提示词不像是语言的子类，更像是语言的超集。模型学会了英语之后，你用中文跟它谈论同样的概念，它能够从英语资料里学习到的东西来理解你。它可以实现跨语言的沟通，不仅是人与人的语言，还能实现编程语言，甚至用非语言的内容（如Emoji、特殊字符串）去沟通。它囊括了世界上我们已知的所有人跟人、人跟物之间的所有语言。

之前刚哥（注：指李继刚）提过一个观点叫做压缩。我觉得压缩是一种方法，但有时我也会用展开。针对一个具体的点，我会给它详尽的、大量细节的描述。甚至在一个提示词里，我会既压缩又展开。标准是什么呢？如果大模型的通用知识在这一块足够强，你可以做压缩；但对大模型不理解的地方，你必须做展开。

所以，既要考虑你自己的表达能力，也要考虑大模型对知识的理解能力，形成彼此之间的理解。这就是对齐。

第二部分：提示词为什么有效？

易亚婷：下一个问题延续刚刚的话题。大家认为提示词为什么有效？是因为它构建了某种特殊的上下文环境？还是说它激活了某块大模型的参数空间？还是因为什么？江树先开始。

云中江树：如果大家对这块感兴趣，推荐大家看Anthropic（注：原文误识为topic）团队关于模型可解释性的研究。

我觉得提示词有效是一个表象，它的底层是模型有效。如果模型无效，提示词也是无效的。你的提示词有多有效，取决于你的模型底层能力有多强。它更像是一个探索性的东西，就像地球上某个地方有很美丽的风景，取决于你的体力、能力有没有可达性，让你看到那个风景。

至于为什么有效，传统误区认为大模型是背了很多单词句子，像背课文一样。但模型可解释性研究告诉我们不是的。它底层有类似知识结构、知识网络的东西。现在所有的模型都会去做 Thinking（思考），你发现 Thinking 的强度越强，它确实更聪明。如果把模型内部的神经网络让它们发光的话，你会发现输入不同的词，内部亮起的空间是不一样的。把这些亮起的点串联起来，类似电路回路一样的东西，我们把它叫做 Thinking Process。

但总的来说，我们对大模型这个黑盒是不了解的，最前沿的科学家也不完全了解。

易亚婷：我追问一个问题，之前我们经常听到 Prompt Engineer（提示词工程师），但最近江树似乎在研究的是 Context Engineer（上下文工程师）？

云中江树：是的，我们现在非常需要 Prompt Engineer 这样的人才——能把它写好、写深，精准激活模型特性，并设计基于 AI 原理的创新解决方案的人才。

史海旭：我觉得是触发模型知识区域，还是构建上下文，这两个不是互斥的关系。

提示词为什么有效？它很像一个大的资源池。举个例子，音乐领域，全球注册在案的音乐大概 1.2 亿首，国内大概 20 多万首中文歌。一个职业乐评人的阅曲量大概在 3 万首左右。而模型训练的数量肯定远超职业乐评人。

模型就像那 1.2 亿首的音乐库。作为提示词工程师，你不需要把这 1.2 亿首全听一遍，你也做不到。你需要的是一个创作动机。这就像 Do Re Mi Fa Sol La Si（注：原文误识为短音萨拉西）这七个音符，搭配不同节奏可以做出无数音乐。

你写的提示词，通过结构化指引或对行业的深入理解，去找到你想要的那些作品。提示词结合了你的审美、对行业的理解以及工作流程方法论。这就像把 Do Re Mi Fa 交给不同的人，加持不同的节奏，会出现不同风格的音乐。提示词同理。

张凯寓：我觉得本质原因是：世界是输入决定输出的。Garbage in, garbage out（垃圾进，垃圾出）。

我们在2023年就讲过一句话：你的表达力决定 AI 的生产力。

我们可以把大模型想象成人类智慧的图书馆。你要找的东西确实在图书馆里，但如何找到它？提示词就是你找到它的方式。你可以慢慢找，也可以问图书管理员。

关于黑盒，GPT-4 出来时，有团队用 GPT-4 去解释 GPT-2。你会发现，浅薄的提示词激活的是模型表层的参数；而经过精心设计的、复杂的提示词，会点亮更深层的参数。比如某些神经元与时间概念有关，某些对转折词（however, since）敏感。

虽然当时的研究发现了一些关联性，但可解释的空间可能连 1% 都不到。但回归底层，你想要符合预期的输出，就必须给到相应的输入。

杨樾：关于提示词为什么有效，我觉得这句话本身包含了一种人类隐藏的自大和意淫。我觉得这是个伪概念。

为什么？因为大家心里都知道 AI 在很多方面比人厉害。当你用提示词生成一首歌或一幅画，那个结果往往高于你的预期。人类的本能是认为它按照我的提示词呈现了我的能力和审美，其实它给你的东西远远高于你所拥有的。这不叫有效，这叫哄着你玩。

现实中，应用模型主要分为两类人：

工人思维：一直努力追求极端地实现脑子里的想法，要求 AI 必须按他的来。

艺术家思维：努力减小自己对模型的干预，尽可能让模型自己发挥，呈现出它原本就比人厉害的能力。

如果你想成为艺术家，就要相信 AI 比人厉害，它的想象力和审美都高于你。

我前几天看到一篇文章，作者非音乐也非 AI 行业，但他得出一个结论：人类原本应该拥有的音乐，还有 99% 根本没被做出来。 这句话彻底打碎了人类的自大。我们要相信音乐大模型有能力创造出远比人类已有音乐更好、更丰富的音乐。如果你只想着通过提示词有效地让它创作你想要的东西，这事就变得很无聊了，因为你已经看到尽头了。

易亚婷：追问杨老师，您作为资深音乐人，在用 AI 创作人类想象不到的音乐时，提示词是写长还是写短？

杨樾：看情况。以 Suno为例，它基本不接受自然语言。如果你写给我一首伤感的歌，这叫误以为的有效。真正的有效是大量专业词汇的排列、细分风格的组合。

比如要做一首复杂的歌，提示词要写得极其复杂。Suno 现在的 Style 部分可以写 2000 字符。我们还发现一个小窍门，在歌词部分用中括号 [] 进行标签式编曲，这完全是用文字在编曲。比如中间两句，你可以标注出只有这两句要按美国西海岸嘻哈哈（Hip-Hop）的方式 Rap 出来，甚至指定换一个女生唱。

但是，AI 的趋势不应该是让提示词越写越复杂。它应该简化人类学习的过程。当我们为自己的产品做音乐时，给大模型的约束越少，它给的惊喜越多。但如果是给政府项目或大会写主题歌，领导不停提要求，那就得写得极其复杂，这时候你就知道人人都能成为音乐家是扯淡。

第三部分：未来会有终极通用的元提示词吗？

易亚婷：未来 3 到 5 年，会有一个终极通用的元提示词吗？还是说还是要针对不同任务给出不同提示词？

杨樾：我不希望出现。如果在这个人类历史最大转折点还要有确定性的东西，这事就太无聊了。

张凯寓：我的答案是否定的。

我们曾想过元提示词（Meta Prompt），即写提示词的提示词。但这有点像数学上的向上求导，求到最后可能只剩一个基点，但在求导过程中，很多东西被丢掉了。

提示词写长写短，因人而异。这里涉及三重世界：

感官世界：最丰富但也最模糊。

概念世界：为了交流，必须下探到概念。

语言世界：为了表达，映射到语言。

人类的语言是一个有限集，而感官世界是无限的。我们用有限的词汇描述无限的东西。之所以提示词有时候很复杂，是因为一个东西的形状很复杂，你拿着手电筒（提示词）从一个角度照，只能给出一个片面的投影。如果我从 500 个角度照，就能给出更接近本质的描述。

我想用一个词描述一个人，绝对定义不了他；但我用 5000 个词，可能就能在 70 亿人中精准锁定他。所以，不存在唯一的元提示词。