提示词正在从核心能力退回到外围技巧。
过去两年，AI 圈里最流行的一件事，就是教人怎么写提示词。
2023 年，整个行业几乎进入了一种"提示词狂热"。
各种内容铺天盖地：
• "10 个神级提示词"
• "一句话让 GPT 提升 300%"
• "99% 的人不会写提示词"
• "世界级提示词模板"
• "让 AI 瞬间变聪明的方法"
甚至很多企业内部培训，也开始重点教：
• 如何给 AI 人设
• 如何让 AI 扮演专家
• 如何激活 GPT 潜力
• 如何通过提示词提升输出质量
于是，一整套"提示词工程"文化开始形成。
大家默认认为：AI 的核心问题，是"怎么跟模型说话"。
但过去一年，越来越多研究开始出现一个非常一致的趋势：
大量所谓"神级提示词"，并没有行业想象中那么科学。
很多技巧的问题在于：
• 效果不稳定
• 强依赖模型
• 强依赖任务
• 强依赖上下文
• 很难迁移
• 很难规模化
更关键的是，越来越多研究和企业实践都在指向同一个结论：
真正决定 AI 是否能进入生产系统的，越来越不是提示词。
而是：
• 工作流
• 检索增强
• 验证机制
• 评估体系
• 结构化生成
• 上下文工程
• Human-in-the-loop
也就是说：AI 正在从"语言游戏"，进入"系统工程"。
提示词工程，正在从"核心能力"，退回到"外围技巧"。
一、AI 圈过去两年，其实一直在拟人化模型
你仔细看过去两年最流行的提示词，会发现一个很有意思的现象：
它们几乎都极度拟人化。
比如人设类：
• 你是世界级专家。
• 你是一名资深战略顾问。
• 你是一位顶级律师。
情绪压力类：
• 这对我的职业生涯非常重要。
• 如果你失败，会有很多人因此受害。
仪式感类：
• 深呼吸，一步一步思考。
• 如果你做得好，我会给你 200 美元小费。
这些提示词的底层逻辑，其实全部来自人类社会里的行为激励机制。
整个行业默认认为：
• AI 会认真
• AI 会偷懒
• AI 会被激励
• AI 会有压力
• AI 会因为"角色感"而表现更好
但问题在于：模型不是人。
它没有情绪、压力、荣誉感、金钱动机、责任感。
它本质上是在根据上下文预测后续输出。
但因为 ChatGPT 是以"聊天框"的形式出现的，整个行业天然会把它误解成一个数字人格。
这就是提示词工程初期最大的认知偏差。
二、沃顿研究：专家人设并不会稳定提升准确率
最近，沃顿商学院旗下的 Wharton Generative AI Labs 做了一项很有代表性的研究，题目叫：
《Playing Pretend: Expert Personas Don't Improve Factual Accuracy》
研究团队测试了多个主流大模型，让模型回答：
• GPQA Diamond
• MMLU-Pro
这些都是研究生、博士级别的问题集，覆盖科学、工程、法律、医学等领域。
研究团队进行了大量重复实验——每一道题在不同模型、不同提示词组合下重复运行 25 次。目的不是测试"某次碰巧答对"，而是：人设是否能稳定提升事实准确率。
然后他们开始给模型不同人设。
人设类型
示例
领域匹配人设
物理题→"你是一名物理专家"
不匹配专家人设
让"物理专家"回答法律问题
低知识人设
"你是一个幼儿"
结果非常反直觉。
研究发现："专家人设"并不会稳定提升事实准确率。 除了 Gemini 2.0 Flash 在部分场景有一定提升外，大部分模型的改善都非常有限，甚至没有统计学意义。
而幼儿人设、低知识人设则明显降低模型表现。
更有意思的是：某些"不匹配专家"人设还会让模型表现下降。例如让一个"物理专家"去回答法律问题时，部分模型会更容易拒答、误判、产生不必要限制。
这个研究最重要的地方不在于"专家提示词没用"，而在于：人设改变的是表达层，不是能力层。
模型会：
• 更像专家
• 更像顾问
• 更像律师
但：
• 不一定更接近专家级判断。
这是两个完全不同的东西。
这对企业 AI 落地非常关键。因为企业里最危险的 AI 输出，往往不是那种明显胡说八道的回答。
真正危险的是：语气很专业、结构很完整、结论却是错的。
专家人设可能提升的是"可信感"，但如果不同步提升"正确率"，它反而会降低人的警惕。
三、"深呼吸"为什么会爆火？
2023 年，Google DeepMind 的论文《Large Language Models as Optimizers》提出了 OPRO——通过提示词进行优化。它让大模型自己生成和优化提示词，并根据任务得分筛选更优指令。
在 GSM8K 数学题测试中，OPRO 找到过类似"深呼吸，一步一步解决这个问题"这样的高分提示词。
于是整个行业开始疯狂传播：
• "深呼吸提示词"
• "激活 GPT"
• "让 AI 更认真思考"
但后来很多人忽略了一个关键细节：同一组实验里，"把问题拆开""一步一步思考"的效果其实同样接近。
真正起作用的，很可能不是"深呼吸"，而是"一步一步"——也就是任务拆解，不是仪式感。
四、真正有效的不是"深呼吸"，而是抽象与拆解
Google DeepMind 后来的另一篇论文《Take a Step Back》更清楚地说明了这一点。
这篇论文提出了"后退一步提示法"。核心思想是：不要直接让模型解题，而是先让模型抽象问题、提炼原则、总结规律，再回到具体问题。
实验结果显示：这种"后退一步"的方式在多个高难度推理任务上都有明显提升。例如 PaLM-2L 在 MMLU 物理和 MMLU 化学任务上分别提升 7% 和 11%，在 TimeQA 和 MuSiQue 上也有显著提升。
这个研究真正重要的地方在于：有效的不是情绪化指令（深呼吸、打鸡血、角色扮演），而是改变任务结构。
先抽象，再推理。 先拆解，再求解。
所以真正有效的不是"你要认真一点"，而是"先后退一步，提炼这个问题背后的原则，再分析当前案例"。
这是提示词工程第一次开始从"话术"进入"任务结构"。
五、思维链曾经非常有效
2022 年，Google Research 的经典论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》几乎改变了整个行业。
这篇论文证明：当模型被要求输出中间推理步骤时，复杂推理能力会显著提升。
例如 PaLM 540B 在 GSM8K 数学文字题上的表现：
提示方式
准确率
普通提示
17.9%
思维链提示
58.1%
提升接近 40 个百分点，结果当时极其震撼。
它第一次让行业意识到：模型需要中间状态。它不只是需要最终答案，还需要推理步骤、中间过程、计算冗余。
这也是为什么"一步一步思考"后来会变成整个行业最核心的推理范式。
六、但思维链也不是万能药
后来行业又进一步发现：思维链不是对所有任务都有效。
2025 年的研究《Mind Your Step》提出了一个非常反直觉的结论：在某些任务里，强制模型一步一步推理，反而会让结果更差。
例如在文本分类、简单检索、隐式统计学习中，强制使用思维链后某些测试里的准确率绝对下降甚至高达 36.3%。
这个发现非常重要。因为企业里的很多任务本来就不是复杂推理问题。
大量企业任务其实是：
• 分类
• 抽取
• 匹配
• 检索
• 判断规则是否满足
这些任务真正需要的是低噪音、高稳定、强约束、固定格式，而不是长篇推理。
也就是说：不是所有任务都应该"深度思考"。 有些任务真正需要的是更少自由度、更强结构化、更明确规则。在这些任务里，思维链可能增加的是延迟、成本、幻觉和不确定性。
七、更危险的是：模型会"表演推理"
思维链还有一个更深的问题：推理过程不一定忠实反映模型为什么得出答案。
纽约大学、Anthropic 和 Cohere 的研究者在论文《Language Models Don't Always Say What They Think》中证明：模型会发生"不忠实推理"。
研究人员在输入中加入隐藏偏置——例如让正确答案经常出现在 A 选项。
结果模型会受到这种偏置影响。但它不会承认自己被影响。相反，它会编造一整套漂亮的推理过程，来为错误答案辩护。
这就是所谓的事后推理、不忠实推理、"表演推理"。
模型并不是先严谨推理再得出答案。很多时候，它可能已经先被某种偏置影响了答案，然后再生成一套"看起来很合理"的解释。
这对企业管理者尤其危险。因为人类天然容易被长推理、完整结构、中间步骤误导。
一个没有解释的错误答案，容易被怀疑。一个带着完整逻辑链的错误答案，反而更容易被相信。
所以：思维链不是审计日志。
真正的审计，必须来自系统外部：数据源记录、中间步骤保存、规则校验、人工复核、版本追踪。
这些才是真正的企业级可信机制。
八、《Principled Instructions》真正证明了什么？
2023 年另一篇很重要的论文《Principled Instructions Are All You Need》提出了 26 条提示词原则。
这篇论文真正重要的地方不是发现了"神级提示词"，而是：它开始把提示词从玄学拉回工程。
这些原则背后的共同方向其实不是情绪激励、打鸡血、人设表演，而是：
• 任务清晰
• 上下文隔离
• 输出约束
• 结构化
• 明确边界
也就是说：真正稳定有效的提示词，越来越不像"话术"，而越来越像"轻量级规格说明书"。
它不是在哄模型、激励模型、打鸡血，而是在定义：输入是什么、任务是什么、输出格式是什么、哪些信息必须引用、哪些内容不能编造、哪些规则必须遵守。
这其实已经非常接近：工作流设计。
九、AI 行业正在经历三个阶段迁移
第一阶段：提示词魔法时代
2023 年最典型的特征，是大家迷信"提示词咒语"。
行业核心问题是：怎么说，模型才会变聪明？
于是人设、深呼吸、小费、威胁、情绪激励全部开始流行。AI 被当成一个可以被语言诱导的人格。
第二阶段：推理时代
后来行业开始意识到，真正有效的不是魔法咒语，而是任务拆解、思维链、自我一致性、推理脚手架、Step-Back Prompting。
这个阶段让行业第一次意识到："怎么拆任务"比"怎么说话"重要。
第三阶段：系统工程时代
现在真正做企业 AI 落地的人，已经越来越少讨论"神级提示词""人设魔法""激活 GPT"。
因为提示词的边际收益正在快速下降。
尤其是 GPT-4.5、Claude Opus、Gemini 2.5 这些模型出来之后。
原因很简单：模型本身已经进入默认高能力状态。它天然就会结构化表达、顾问式语言、总结、推理、专业语气。
所以你再告诉它"你是世界级专家"，很多时候增加的只是权威感和专家表达风格，而不是事实正确率、推理深度、系统可靠性。
于是行业真正开始转向：
• 检索增强
• 工作流
• 工具调用
• 验证机制
• 评估体系
• 记忆
• Human-in-the-loop
• 结构化生成
• 编排系统
AI 正在从"聊天问题"进入"系统问题"。
十、为什么很多 AI Demo 很惊艳，上线后却崩掉？
因为 Demo 拼的是惊艳感、表达力、第一次效果。生产环境拼的是稳定性、可控性、错误率、SLA、可审计、人工返工率。
一句提示词可以做一个很惊艳的 Demo。但企业真正上线之后，会马上遇到另一组问题：
• 来源是否可信？
• 是否能追溯？
• 错误发生在哪一步？
• 如何自动校验？
• 如何做人机协同？
• 如何接入原有系统？
• 如何保证每天稳定运行？
这些问题，没有一个能靠"你是世界级专家"解决。
所以真正的企业 AI 最后都会走向：工作流、检索增强、验证机制、评估体系、QA Pipeline、Human-in-the-loop、结构化约束。
最后
未来企业最稀缺的人，不会是"最会写提示词的人"。
而会是最会拆流程的人。
因为：
• 提示词优化的是一次回答，工作流优化的是整个业务系统
• 提示词拼的是模型语气、表达风格、语言诱导，工作流拼的是系统确定性、结果稳定性、可控交付能力
一句提示词，可以让 AI 看起来像一个专家。
一套工作流，才能让 AI 真正成为生产力。
热门跟贴