谷歌工程师把"专家人设"删了，输出反而猛了47%|json|示例|谷歌工程师

去年我写过个家务清单生成器，效果一般，当时以为是生成式AI的天花板。上周重刷了一遍提示词，结果把自己脸打肿了——删掉"你是专家"这四个字，任务完成率从凑合变成了能直接用。

测试工具是Gemini和Claude，但任何聊天AI都能复现。不需要懂代码，有手就行。

先上对照组。这是我今早的客厅：

http://dingyue.ws.126.net/2026/0330/ff564761j00tcp7q9001cd000rs00bop.jpg

每周有三天长这样，每次盯着发呆5分钟才能动手。我的产品Hounty就是解决这个：拍张照，告诉你先干嘛。今天咱们用纯提示词复现核心功能，看看哪些"常识"其实是坑。

第一坑："你是专家"= 废话翻倍

你肯定见过这条建议：提示词开头写"你是XX领域的专家"。听起来合理，测测看。

把乱房间的照片丢给AI，输入：

「You are a home cleaning expert. Create a cleaning todo list of 3-5 most impactful tasks」

Gemini的输出：

http://dingyue.ws.126.net/2026/0330/c61a6b0aj00tcp7qb000ld000m800b4p.jpg

现在删掉专家人设，直接说需求：

「Create a cleaning todo list of 3-5 most impactful tasks」

输出长度直接砍半。"Clear the Floor Transit Zones"变成了"Clear the Floor"，去掉了所有装腔作势的过渡词。为什么？

研究人员早就发现：专家人设（Expert Personas）会提升AI的自信语气，但损害事实准确性。给AI塞个头衔，它不会解锁隐藏知识，只会激活"专家表演模式"——用复杂词汇包装简单判断。

你的API账单因此变厚，信息密度反而变薄。

第二坑：细节狂魔= 格式灾难

另一个常见建议：描述越详细越好。试试极端版本。

同一张图，更复杂的提示：

「Look at this image. List every visible object. For each object, determine whether it is out of place based on what should be in a Living Room. Consider laundry, dishes and clutter specifically. Return your findings in a structured list of 3-5 most impactful cleaning items as JSON.」

还附了JSON格式示例。

结果？AI确实返回了JSON，但任务本身跑偏了。它花了大量token描述"沙发上的灰色织物可能是毯子或衣物"，而不是直接说"把衣服收走"。过度指定的格式要求挤占了实际推理的算力，就像让厨师先写菜谱再炒菜，菜糊了。

http://dingyue.ws.126.net/2026/0330/1c399ec9j00tcp7qc000dd000m800b4p.jpg

更讽刺的是，当我删掉JSON要求、删掉对象枚举、删掉"基于客厅标准判断"这类冗余指令，只留一句"列出3-5个最重要的清洁任务"，输出反而更准。