The Art of Talking to AI

作者:尼哈里卡·巴特拉(Niharika Batra) 发布日期:2026-10-02
有时候给 AI 模型一个例子,就能彻底改变它处理任务的方式。

但提示(prompting)不只是给例子。

还有很多其他方式,可以用来向 AI 模型表达你想要什么。

今天我们就来看其中几种。

别费劲去记这些名字。

目标是理解这些方法为什么有效、怎么起作用。

1. 给 AI 一个角色

1. 给 AI 一个角色

想象你走进一家公司,说:

"解释一下这份文件。"

律师、老师、数据科学家给出的答案可能完全不同。

同一个思路可以用在 AI 上。

你可以给模型一个角色。

比如:

你是一名客户支持专员。阅读下面这条客户投诉,写一份专业的回复。

对比一下:

写一份回复,回应这条客户投诉。

第一个提示给了模型更多关于"该用什么方式处理这个任务"的上下文。

再举个例子:

你是一名 Python 讲师,正在教一个从没编过程的人。用简单的语言解释这段代码。

现在模型知道了:

它该扮演什么角色

它在向谁解释

答案该以什么形式呈现

这通常叫角色提示(role prompting)。

2. 让 AI 把问题拆开

2. 让 AI 把问题拆开

不是每个任务都像"给我答案"这么简单。

有些问题有多个步骤。

比如:

一家公司收到 1000 份文件。 其中 20% 需要人工复核。 这些需要复核的文件里,30% 被拒。 有多少份文件被拒?

模型需要一步步把这个题算出来。

你可以把你的提示组织成这样

把这个问题拆成更小的步骤来解决。

给我最终答案,并附一段简短的说明。

这里的思路很简单:

复杂问题 → 更小的步骤 → 最终答案

这种做法通常和"思维链提示"(chain-of-thought prompting)相关。

你在学大语言模型(LLM)的时候会经常听到这个词。

不过有一点很重要:在真实的应用里,你不一定需要、也未必想要模型暴露一长串内部推理过程。很多时候,让它给出一段关于关键步骤的简洁说明就够了。

3. 别让一个提示干完所有事

3. 别让一个提示干完所有事

你很可能很自然地这么写过:

读一下这份公司政策,做个摘要,找出重要规则,
找到资格条件,做一张表,再给员工写一封邮件。

这对一个提示来说太多了。

反过来,我们可以把任务拆成更小的块。

第 1 步把这份政策做摘要。

第 2 步从摘要里找出资格条件。

第 3 步把资格条件做成一张表。

第 4 步用这些信息,写一封给员工的简短邮件。

上一步的输出,成为下一步的输入。

这叫提示链(prompt chaining)。

为什么这样有用?

因为更小的步骤可以:

更容易看懂

更容易测试

更容易排查问题

更容易修改

而到这里,提示这件事就开始变得更有意思了。

你不再只是在向 AI 提问。

你在设计一套工作流。

4. 如果 AI 需要用工具呢?

4. 如果 AI 需要用工具呢?

现在我们再往前走一步。

想象你问一个 AI 助手:

"达拉斯今天天气怎么样?我该带伞吗?"

模型可能需要它并不掌握的信息。

所以,AI 系统不是直接生成一个答案,而是可以这样:

用户提问

AI 判断它需要什么信息

调用一个天气工具

拿到结果

查看结果

回复用户

这个总体思路叫 ReAct —— Reason + Act(推理 + 行动)。系统可以对它需要什么进行推理,采取一个行动,观察结果,然后继续。

这个"行动"可以是:

搜索网页

调用一个 API

查询数据库

检索一份文档

运行代码

使用另一个工具

等我们开始聊AI 智能体(agent)时,这个概念会变得特别重要。

一个智能体不只是回答问题。

它有可能自己判断该采取什么行动,并与工具交互来完成任务。

我们后面会再回到智能体这个话题。

5. 告诉 AI"不要"做什么

5. 告诉 AI"不要"做什么

这是另一个简单但很有力的技巧。

有时候,告诉模型你不想要什么,和告诉它你想要什么一样有用。

比如:

从这份文件里提取员工姓名、部门和入职日期。
不要推断文件中没有明确写出的信息。

最后那句指令很重要。

你在告诉模型:

如果信息不在里面,就别编。

这有时被称为负向提示(negative prompting),或者叫使用负向约束。

这为什么重要?

因为提示往往只是一个大语言模型应用的第一层。

但真实世界里的系统,看起来更像这样:

用户

提示

大语言模型

检索信息

使用工具 / API

校验结果

返回一个答案

而一旦你开始搭这样的系统,就会撞上一堆新问题:

如果模型编造了内容怎么办?

如果答案不在文档里怎么办?

如果模型调错了工具怎么办?

我们怎么知道这个系统到底有没有在好好工作?

这些问题会带我们进入函数调用、智能体、评估和监控这些话题。

但在那之前,我们需要理解大语言模型最大的问题之一:

有时候,AI 可以说得极其自信,同时完全错误。

那就是我们下一次要探索的内容。

本文编译自 Substack,原文作者Niharika Batra

原文 URL:https://niharikabatra.substack.com/p/week-6-day-3-the-art-of-talking-to