你是不是也遇到过：昨晚精心打磨的那句提示词，效果惊艳，第二天原样丢进去，结果却一塌糊涂。你反复修改措辞，补上思维链，试了人称扮演，给足少量样本示例，还在网上找那个据说能撬动一切的“魔法句式”。有时它管用，有时毫无反应，有时同一个提示在不同时间给你面目全非的回答——而你完全摸不着头脑。
这种困惑，我太熟悉了。在一次次测试、回归、比对不同模型之后，我开始追问一个更深的问题：为什么同样的指令，推理结果会这么不稳定？
后来我才意识到，我一直在错误的问题上较劲。我不是写不好提示词，我是在一片从未夯实的地面上搭脚手架。我把所有力气花在隧道入口的装饰上，却完全没搞懂通道里在发生什么，更不知道另一端会通向哪里。
这件事的答案，要从我八岁那年的一条“地道”说起。
那年我们刚看完《大逃亡》，对片中挖地道的场面着了迷。我和表哥、弟弟一拍即合，决定也在后院挖一条。选址是表哥家院子与旁边车道交界处的一道矮坡，正好遮住洞口，而且地道会把我们带回自家后院，而不是邻居家——这点特别重要，因为那阵子表哥他们刚把不爱吃的蔬菜扔过邻居篱笆，惹出过麻烦。
但我们没马上动工，而是一起喊了句：“去图书馆！”在那个人电脑还没出现、网络与谷歌远在未来的七十年代，本地图书馆就是我们唯一的消息源。那里的馆员什么都知道，什么资料都能找到。我们祖父也是那种笃信“先查书后动手”的人——他总会带我们在书里找到方向，再放手让我们去尝试。
我们翻遍了与隧道、工程、土壤相关的书籍，画了草图，计算了距离，甚至还想到了通风问题。正是那个“先去图书馆”的习惯，把我们从一堆热切的小孩变成了一支有方案的小工程队。我们没有一上来就乱挖，而是先搭建了整个计划的框架——这个框架像一个容器，决定了我们能走多远。
多年后，当我反复测试AI提示词时，那个后院地道的画面忽然冒了出来。我突然明白了：提示词只是隧道的入口。真正发生推理的地方，在模型的中间层，一个远比表面看上去逼仄得多的工作区里。你的词语进入模型后，会穿过几十层计算变换，每一层都在重新组织前一层的信息。思考不在输入端，也不在输出端，而是在那个既看不见也摸不着的中途回廊里。
这就意味着，你输入的结构，决定了到底有多少有效信息能抵达那个“思考发生地”。如果入口处就散乱、漂浮、缺乏约束，那么进入深层工作区的上下文就像一堆没有钢筋的混凝土，再多的提示词技巧也别想让它凝成结构。反过来，如果你把背景条件、边界规则、输出格式这些东西先行固定下来——就像我们当年在图书馆画图纸、测距离一样——推理的稳定性就会大幅提升。
我把这种固定下来的上下文称作“常量”。它不是一次性的提示词，而是构建推理环境的那组不轻易改动的框架。你不再每天反复调优一句话，而是在一套经过校验的常量结构上，让每次输入的信息都能以同样的路径抵达模型深层。于是，那些“昨天好用今天翻车”的随机性，开始大面积消退。
这背后的逻辑其实很简单：模型本身并没有刻意善变，是它的工作区太依赖上下文的连贯性。当你不给这个工作区一个稳定的外壳，它就会自己从你模糊的语词中猜测边界，而每次猜测都可能不同。可一旦用严谨的框架把边界钉死，推理的路径就变得可预期。
我开始在自己的项目里系统性地设置常量——角色定义、背景约束、输出结构、核心原则、防跑偏逻辑……这些事情做一遍，后续调用就无需再在提示词上反复纠缠。得到的不是某种魔术般的神奇提升，而是一种踏实的、可重复的稳定性。就像那条我们小时候终究没有挖完的隧道一样，真正决定工程能推进多远的，从来不是你在洞口喊了什么话，而是你愿不愿意先低下头，把脚下的结构夯实。
这个发现对我的工作方式带来了颠覆性的改变。我不再追逐那些“提示词工程最佳实践”的文章，而是花更多时间思考：我要给模型一个怎样的“地下空间”，才能让它安心而准确地完成推理？
行业的许多前沿实践也在印证这一思路。不少团队开始把主要精力从单条提示词的打磨转向系统化的上下文构建：把业务规则、知识检索、格式约定等内容结构化地注入模型的上下文，以一组相对固定的“常量”取代每次动态拼凑的临时指令。这背后是同样的逻辑——把思考的基础打扎实，而不是不断修饰入口处的修辞。
如果你也正困在调优提示词的循环里，不妨换个角度想一想：你为自己和模型铺设的那个“地下室”，现在够牢靠吗？
热门跟贴