提示词的底层逻辑：模型到底在"读"什么
它不是"理解"你的意思，是在你的话后面续写最可能的下一段。理解这一点，一半的困惑会消失。
你写了一句提示词，它答偏了。你改了一个词，它答对了。你不知道为什么。
这是因为你把它当"人在理解你的话"，而它其实在做另一件事：根据你给的前文，预测接下来最可能出现的文字。
理解这个机制，能解释掉一半的困惑。
一、它到底在算什么
它的训练目标是：给定前文，预测下一个词的概率。
所以它每一步都在做同一件事——"在这种语境下，接下来最可能是什么？"
由此推出三个直接结论：
- 它会顺着你的语气走。 你写得像公文，它就写公文；你写得像聊天，它就聊天。这叫"风格对齐"，你给的样例影响巨大。
- 它会补全模式，而不是查证事实。 它见过"论文引用"长什么样，所以能编出一个格式完美的假引用。
- 它对"开头"最敏感。 开头几句定下语境，后面全在这个语境里续写。所以背景要写在最前面。
二、三个最实用的推论
推论一：上下文决定质量，不只是问题决定质量
同一个问题，给不给背景，答案差一个档。
差：怎么提高复购率
好：我开一家社区面包店，客单价 28 元，周边三个小区，复购率约 20%，
想提到 35%。预算每月 3000 元。给我三个可执行的动作。推论二：它会"补全你没说的部分"
你说"写一份方案"，它就按它见过的方案模板补全：背景、目标、措施、预期效果。这些可能全是通用废话，因为你在这一步没给它任何独特信息。
你没说的，它会用平均值填。
推论三：位置影响权重
上下文越长，中间部分越容易被忽略，开头和结尾的权重更高。
实用做法：
- 要求在开头说（最重要）
- 禁令放在结尾再重复一次
- 长文分节处理，别一次塞三万字
三、为什么"扮演角色"有用
"你是一个有 10 年经验的招聘经理"——这句话的作用不是让它"变成"那个人，而是把它的输出对齐到一类文本的分布上。
它见过的招聘经理写的文字是什么样的？专业、克制、看证据、少形容词。一扮演，输出就往那个方向偏。
所以角色要写得具体到能唤起一类文本：
弱：你是一个专家
好：你是一个在制造业做了 8 年精益生产的顾问，习惯用数据和现场例子说话，
不爱用管理学术语四、为什么"给它例子"效果最好
因为你不是在"解释要求"，而是在直接指定输出分布。
你说"要简洁"，它不知道多简洁。你给一段 80 字的样例，它就知道 80 字是什么感觉、句子多长、有没有小标题。
一个例子 ≈ 十句形容词。 这条在 少样本示例法 里展开讲。
五、为什么它不追问你
因为它被训练成"给出答案"，不是"要求澄清"。
所以你要主动补全这五项：
1. 我是谁、我的处境是什么
2. 产出给谁看
3. 要多长、什么格式
4. 不能出现什么
5. 什么算"好"这五项就是 万能结构 的来源。
三个常见错误
- 以为它在"理解"。 它在"延续"。你写得含糊，它就延续成含糊。
- 以为改一个词就能修好。 结构不对，改词没用。要改的是"给了什么信息"。
- 一次塞太多。 塞三万字让它总结，中间的信息会丢。分节处理，每节单独交代。