几个高杠杆技巧

网上的「提示词技巧」能列出几十条，多数是同一件事的不同说法。真正值得记住的就这四个——而且每个都有明确的适用场景，不是万能咒语。

让它先反问

这是最反直觉、也最好用的一招。当你说不清楚要什么的时候，别硬写，让它来问你。

做法很简单，在任务后面加一句：「在动手之前，先问我 3 到 5 个最关键的问题，等我回答后再开始。」

为什么有效？因为它把「你得凭空想全所有背景」这个难题，换成了「你只需要回答几个具体问题」——后者容易得多。而它问出来的那几个问题，往往正好是你漏掉的那几个部件。

更实在的一点是：你的回答会成为上下文的一部分。所以这一招本质上是让模型帮你把提示词补完整，之后你把整段对话固化下来，就是一份可复用的提示词。

适用场景：需求模糊的开放任务、第一次做某类事情、要写一份复杂文档。不适用于批量处理的自动化流程——那里你需要的是确定性，不是对话。

参考锚定

这是给例子那一招的推广：能指出一个具体对照物时，就别用形容词。

「做得简洁一点」不如「参考这个页面的信息密度」；「语气专业些」不如「按我们帮助中心已有文章的口吻」；「设计得现代一点」不如直接贴一张图。

原因还是那个：形容词是压缩过的信息，每个人解压出来的不一样，模型只能取平均值。而一个具体对照物携带了完整的细节。

用的时候有个要点：说清楚「参考哪一方面」。你贴一篇文章说「参考这个」，它不知道你要的是结构、语气、长度还是选题角度。明确说「参考它的段落长度和小标题写法，内容完全不同」，效果会稳定得多。

先想再答

在提示词里加一句「先列出你的分析步骤，再给结论」，多步任务的正确率通常会有可观的提升。

机制在推理模型那一节讲过：模型的思考就是它的输出，多写就是多算。把中间步骤显式写出来，后面每一步预测都能看到前面的推演，等于给了它好几次纠错机会。直接要结论，等于让它一步跳到终点。

三条使用提醒。

一、有代价。中间步骤也算输出 Token，慢一些贵一些。简单任务不必开。

二、如果你用的本来就是推理模型，不用再加。它已经在内部做这件事了，重复要求可能反而干扰它。

三、可以要求它把过程和结论分开输出。比如让推演放在一个标记块里、结论放在另一个块里，这样程序能只取结论那部分，不用把推演展示给用户。

还有一个变体值得知道：让它先自查再交付。「给出答案后，请对照上面的限制逐条检查一遍，如有不符请修正」。这在有硬性约束（字数、禁用词、必须包含的要素）时特别有效。

角色设定的真相

「你是一位有二十年经验的资深律师」——这类开头几乎出现在所有提示词模板里。它确实有用，但作用被严重夸大了，值得说清楚。

它真正做的事：调整词汇和语气的分布。说它是律师，它就更倾向于使用法律领域的措辞、更严谨的句式、更常见的免责表述。这是概率分布被收窄的直接结果——语料里「律师」附近出现的词，确实和「小学老师」附近的不一样。

它不做的事：让模型变得更懂法律。模型的知识在训练时就固定了，一句角色设定不会凭空给它增加任何知识，也不会提高事实准确率。

这个区别在产品上很要紧。有团队以为加一句「你是资深医疗顾问」就能让输出更可靠，于是放松了核查——这是危险的误解。语气变专业了，出错的概率一点没变，而且因为听起来更权威，错误反而更难被识破。

所以正确的用法是：把角色设定当成语气和风格的开关，不当成能力开关。要提高准确率，靠的是给材料（RAG）、给例子、让它先想再答，以及最后那道人工核查。

另外，与其写「资深专家」这种空泛的角色，不如写具体的行为约束：「回答时必须标注依据来自材料的哪一段」「不确定时明确说不确定，不要推测」。这些比任何头衔都管用。