為什麼同一個問題，不同問法得到的答案天差地別？
整理版優先睇
Prompt嘅信息密度決定AI輸出質量，提供最少充分信息先係關鍵。
呢篇文章係專欄作者嘅經驗分享，佢用產品經理小張嘅例子說明同一個問題唔同問法，AI畀嘅答案可以差好遠。作者想解決嘅問題係點樣寫prompt先可以令AI輸出更準確。整體結論係信息密度越高，AI嘅猜測空間越細，輸出就越精準。
作者解釋信息密度概念，用寫詩嘅例子：低密度只係「寫一首詩」，中密度加咗主題同風格，高密度連長度、場景、受眾都講明。AI冇讀心術，佢只係靠概率揀輸出，所以你需要用信息引導佢縮小範圍。打個比方，prompt就好似你俾朋友嘅「咖啡訂單」，愈精確就愈命中。
然後作者列出四種低密度prompt同埋點樣改進。第一種只有動詞冇名詞，要講清楚「咩嘢」；第二種只有目標冇約束，要加限制條件；第三種只有背景冇任務，背景之後要明確話俾AI知要做咩；第四種只有模糊期望冇具體標準，要用可衡量嘅標準代替「好」同「有用」。最後講信息密度嘅「甜區」：提供最少充分信息，去掉噪音，先係最有效嘅做法。
- 信息密度決定AI精準度：低密度prompt令AI猜測範圍過大，輸出普遍平庸。
- 四種常見低密度prompt：只有動詞、只有目標、只有背景、只有模糊期望，改進方法係補齊缺失維度。
- AI係概率模型：佢冇讀心術，要靠信息引導佢縮小概率空間，每多一條精確信息，可能組合減少一個數量級。
- 信息「甜區」原則：提供最少充分信息，問自己去掉呢條信息輸出會唔會變差，唔會就刪除。
- 實戰例子：同一個Python函數需求，低密度寫任何嘢，中密度有方向但模糊，高密度連參數、返回值、測試用例都指定，輸出精準。
內容片段
寫一個 Python 函數，功能是驗證用戶註冊時的郵箱格式。要求：
1. 使用正則表達式2. 返回布爾值（True/False）3. 處理 None 和空字符串的情況4. 函數名為 validate_email5. 包含 docstring 和類型註解6. 附帶 3 個測試用例真實場景：同一個需求，兩個世界
產品經理小張想叫AI幫佢寫競品分析報告。第一次佢輸入「幫我做一份競品分析」，AI淨係畀咗個框架，隨便列幾個標題，內容空洞。第二次佢講清楚自己係B2B SaaS行業，產品係項目管理工具，主要競品有Jira、Asana同Notion，仲要求用表格對比核心功能、定價策略、目標用戶同技術架構。結果AI輸出詳細報告，表格清晰，建議具體，連Jira喺中小企業市場嘅定價空白都指出嚟。
小張改一改就用得，直接發畀老細。同一個AI，同一個「競品分析」嘅需求，輸出質量完全唔同，原因就係信息密度。
信息密度——prompt嘅隱藏變量
信息密度係指你嘅prompt入面有幾多對AI有用嘅信息。作者用寫詩做例子：低密度「寫一首詩」，AI唔知主題風格；中密度「寫一首關於秋天嘅現代詩」，有方向但長度受眾唔明；高密度「寫一首關於秋天嘅現代詩，風格參考餘秀華，表達對逝去時光嘅感傷，長度8至12行，適合發朋友圈，普通讀者睇得明」，全部明確。
信息密度越高，AI嘅「搜索空間」越細，輸出越精準
作者用咖啡訂單做比喻：你叫朋友「帶杯咖啡」，佢可能帶任何款式；但如果你話「帶杯熱美式，大杯，唔加糖」，佢帶返嚟嘅幾乎就係你想要嘅。prompt就係你畀AI嘅訂單，訂單越模糊，AI越係靠估。
例如「寫一封催款郵件」仲有數百萬種可能；加埋「客戶欠五萬」就剩幾千種；再加埋「逾期三十日，語氣專業堅定」就得幾十種。每多一條信息，AI嘅「猜測範圍」就細一個數量級。
四種常見嘅低密度prompt同改進方法
作者歸納咗四種最常見嘅低密度prompt，每個都有改進方法。
- 1 只有動詞，冇名詞：例如「幫我分析一下」冇講明分析咩。改進係講清楚「分析呢份用戶反饋數據，找出投訴最多嘅三個問題」。
- 2 只有目標，冇約束：例如「寫一篇關於AI嘅文章」，AI唔知長度、對象、風格。改進係加約束條件，好似「寫一篇2000字科普文，面向非技術讀者，用生活化類比，風格輕鬆幽默」。
- 3 只有背景，冇任務：例如「我哋公司係做電商嘅創業公司，有50個人……」背景一大堆，但冇話畀AI要做咩。改進係背景之後明確任務，例如「請幫我設計客服團隊組織架構，包含崗位設置同職責分工」。
- 4 只有模糊期望，冇具體標準：例如「幫我寫得好啲」，「好」太主觀。改進係用可衡量標準，例如「將語氣改得更正式，用『尊敬嘅』開頭，避免口語化」。
提供AI完成任務所需嘅最少充分信息
作者強調要避免呢啲低密度寫法，改用具體、可衡量、有約束嘅表達。
點樣揾到信息密度嘅「甜區」？
信息唔係愈多愈好。過低AI要估，過高關鍵信息會被噪音淹沒。作者提出「最少充分信息」原則：問自己兩個問題。第一，去掉呢條信息AI嘅輸出會唔會變差？會就保留。第二，去掉呢條信息AI嘅輸出會唔會受影響？唔受影響就刪除。
提供AI完成任務所需嘅最少充分信息，唔好畀噪音妨礙
作者用實戰對比說明：同一個Python函數需求，低密度「寫一個Python函數」AI寫任何嘢；中密度「寫一個處理用戶輸入嘅函數」仲係估緊；高密度指定功能係驗證電郵格式，要求用正則表達式、返回布爾值、處理None同空字符串、函數名validate_email、包含docstring同類型註解、附三個測試用例——AI幾乎冇猜測空間，輸出非常精準。
下一篇會拆解一條完整prompt嘅內部結構：角色、任務、上下文、約束，睇嚇每個部分點樣影響AI輸出。
點解同一個問題，用唔同問法得到嘅答案可以差咁遠？
一個真實場景
小張係一個產品經理，佢要 AI 幫佢寫一份競品分析報告。
第一次，佢輸入：
幫我做一份競品分析。
AI 畀咗一份好空泛嘅框架，列咗「產品概述、功能對比、優劣勢分析」幾個標題，每個標題下面得一句兩句嘅模板。小張睇咗一眼，就熄咗個頁面——呢啲嘢佢自己都識寫。
第二次，佢轉咗個問法：
我係 B2B SaaS 行業嘅產品經理，我哋嘅產品係一個項目管理工具，主要競品係 Jira、Asana 同 Notion。請由以下維度做一份競品分析：核心功能、定價策略、目標用戶、技術架構。每個競品用表格比較，最後畀我哋嘅差異化建議。
AI 輸出咗一份好詳細嘅分析報告，表格清楚，建議具體，甚至指出咗 Jira 喺中小企市場嘅定價空白。小張執咗少少，直接 send 咗畀老細。
同一個 AI，同一個「競品分析」需要，輸出質素一個天一個地。
點解？
資訊密度：prompt 嘅隱藏變數
答案收埋喺一個概念裏面——資訊密度。
咩係資訊密度？簡單講：你嘅 prompt 裏面有幾多對 AI 有用嘅資訊。
睇三個 prompt，佢哋都係問同一件事：
低密度：
寫一首詩。
資訊量：0.5 bit。AI 知你想要詩，但唔知咩主題、咩風格、咩長度、畀邊個睇。
中密度：
寫一首關於秋天的現代詩。
資訊量：2 bit。有咗主題（秋天）同風格（現代詩），但長度、情感基調、受眾仍然未知。
高密度：
寫一首關於秋天的現代詩，風格參考餘秀華，表達對逝去時光的感傷，
長度 8-12 行，適合發在朋友圈，普通讀者能看懂。
資訊量：5 bit。主題、風格參考、情感基調、長度、發佈場景、受眾——全部講清楚。
資訊密度越高，AI 嘅「搜索空間」越細，輸出越精準。
打個比喻：你叫朋友幫你帶杯咖啡。
「帶杯咖啡」——佢可能帶返嚟任何嘢：美式、拿鐵、卡布奇諾、凍嘅、熱嘅、大杯、細杯 「帶杯熱美式，大杯，唔加糖」——佢帶返嚟嘅嘢幾乎就係你想要嘅
prompt 就係你畀 AI 嘅「訂單」。訂單越模糊，AI 就越只能靠估。訂單越精確，AI 就越中。
點解 AI 會「估」？
你可能會問：AI 唔係應該好聰明咩？點解唔可以自己理解我講乜？
呢度有一個關鍵認知：AI 冇讀心術，佢只有概率。
當你輸入「幫我寫一封電郵」，AI 面對嘅係一個巨大嘅概率空間：
邊類型嘅電郵？（商務、私人、求職、投訴……）→ 上百種可能 咩語氣？（正式、隨意、友好、嚴厲……）→ 幾十種可能 咩長度？（一句話、一段話、長篇……）→ 幾十種可能 咩場景？（追數、邀請、多謝、道歉……）→ 上百種可能
將呢啲組合起嚟，AI 面對嘅係 數百萬種可能嘅輸出。
喺冇額外資訊嘅情況下，AI 會揀「概率最高」嗰個輸出——即係訓練數據裏面最常見嗰種電郵。呢個就係點解你收到嘅通常係一封平庸、模板化嘅電郵。
而當你提供更多資訊嘅時候，你係幫緊 AI 縮細呢個概率空間：
寫一封催款郵件 → 數百萬種可能
寫一封催款郵件，客戶欠 5 萬 → 幾千種可能
寫一封催款郵件，客戶欠 5 萬，逾期 30 天，語氣專業堅定 → 幾十種可能
每多畀一條資訊，AI 嘅「估測範圍」就縮細一個數量級。
四種常見嘅「低密度 prompt」
理解咗資訊密度，我哋睇返日常最常見嘅四種低密度 prompt：
1. 只有動詞，冇名詞
❌ 幫我分析一下。
❌ 幫我優化一下。
❌ 幫我想想。
「分析啲乜？優化啲乜？諗啲乜？」AI 只能靠上文下理估，估錯嘅機會好大。
改進： 將「咩」講清楚。
✅ 分析這份用戶反饋數據，找出投訴最多的三個問題。
✅ 優化這段 Python 代碼的運行時間，當前耗時 5 秒。
✅ 想三個適合中秋節的營銷活動方案，預算在 1 萬元以內。
2. 只有目標，冇約束
❌ 寫一篇關於 AI 的文章。
AI 唔知寫幾長、畀邊個睇、咩風格、咩深度。佢會畀你一篇「中規中矩」嘅文章——乜都講咗，乜都冇講透。
改進： 加上約束條件。
✅ 寫一篇 2000 字的科普文章，面向非技術讀者，解釋 AI 大模型的工作原理，
用生活化的類比，避免專業術語，風格輕鬆幽默。
3. 只有背景，冇任務
❌ 我們公司是一家做電商的創業公司，目前有 50 個人……
背景講咗一大輪，但冇話畀 AI 知你要佢做啲乜。AI 可能會畀你一段公司介紹，或者問你「你需要咩幫助？」
改進： 背景之後，清楚講出任務。
✅ 我們公司是一家做電商的創業公司，目前有 50 個人。請幫我設計一個
客服團隊的組織架構，包含崗位設置、職責分工和彙報關係。
4. 只有模糊期望，冇具體標準
❌ 幫我寫得好一點。
❌ 給我一些有用的建議。
「好」係主觀嘅，「有用」係模糊嘅。AI 唔知你嘅標準係乜。
改進： 用可衡量嘅標準代替模糊期望。
✅ 把這封郵件的語氣改得更正式一些，用"尊敬的"開頭，避免口語化表達。
✅ 給我 3 個具體的、可執行的建議，每條建議包含：做什麼、為什麼做、預期效果。
資訊密度嘅「甜區」
係咪資訊越多越好？又唔係。
資訊密度太低，AI 要靠估；資訊密度太高，AI 會「迷路」。
過低：
幫我寫個方案。
→ AI 估測範圍太大，輸出平庸。
過高：
幫我寫一個營銷方案。我們公司是 2020 年成立的，創始人叫張三，
畢業於北大，公司目前在望京 SOHO 辦公，有 50 個員工，
其中技術 20 人，產品 10 人，運營 10 人，市場 5 人，行政 5 人……
（省略 2000 字背景）
→ 關鍵資訊俾噪音淹沒，AI 可能捉唔到重點。
甜區：
我們是一家 B2B SaaS 公司，產品是項目管理工具，目前有 50 人團隊。
請幫我設計一個 Q3 的市場推廣方案，目標是新增 1000 個付費用戶，
預算 20 萬元，重點渠道是內容營銷和行業展會。
→ 關鍵資訊完整，噪音係零，AI 可以精準輸出。
揾甜區嘅原則：提供 AI 完成任務所需要嘅最少充分資訊。
咩叫「最少充分」？問自己兩個問題：
拎走呢條資訊，AI 嘅輸出會變差嗎？→ 會 → 保留 拎走呢條資訊，AI 嘅輸出冇影響嗎？→ 冇影響 → 刪除
實戰對比：同一個需要，三種問法
需要：叫 AI 幫你寫一個 Python 函數。
低密度：
寫一個 Python 函數。
AI 可能會寫任何嘢——排序、計算、檔案處理——完全隨機。
中密度：
寫一個 Python 函數，用來處理用戶輸入。
有咗方向，但「處理」係咩意思？驗證？清洗？轉換？AI 仍然要估。
高密度：
寫一個 Python 函數，功能是驗證用戶註冊時的郵箱格式。
要求：
1. 使用正則表達式
2. 返回布爾值（True/False）
3. 處理 None 和空字符串的情況
4. 函數名為 validate_email
5. 包含 docstring 和類型註解
6. 附帶 3 個測試用例
AI 幾乎冇估測空間，輸出會非常精準。
核心要點
prompt 嘅資訊密度決定咗輸出質素——資訊越精準，AI 嘅估測空間越細 AI 冇讀心術——佢靠概率揀輸出，你要用資訊引導佢縮細範圍 避免四種低密度 prompt：只有動詞、只有目標、只有背景、只有模糊期望 揾到資訊嘅「甜區」：提供最少充分資訊，去掉噪音
下一篇預告
你已經知道「問法」點解重要。但一條完整嘅 prompt 到底應該包含邊啲部分？
下一篇，我哋拆解一條 prompt 嘅內部結構——角色、任務、上下文、約束——睇下每個部分點樣影響 AI 輸出。
為什麼同一個問題，不同問法得到的答案天差地別？
一個真實場景
小張是一名產品經理，他需要讓 AI 幫他寫一份競品分析報告。
第一次，他輸入：
幫我做一份競品分析。
AI 給出了一份泛泛而談的框架，列了"產品概述、功能對比、優劣勢分析"幾個標題，每個標題下面是一兩句話的模板。小張看了一眼，關掉了頁面——這東西他自己也能寫。
第二次，他換了個問法：
我是 B2B SaaS 行業的產品經理，我們的產品是一個項目管理工具，主要競品是 Jira、Asana 和 Notion。請從以下維度做一份競品分析：核心功能、定價策略、目標用戶、技術架構。每個競品用表格對比，最後給出我們的差異化建議。
AI 輸出了一份詳盡的分析報告，表格清晰，建議具體，甚至指出了 Jira 在中小企業市場的定價空白。小張稍作修改，直接發給了老闆。
同一個 AI，同一個"競品分析"的需求，輸出質量天差地別。
為什麼？
信息密度：prompt 的隱藏變量
答案藏在一個概念裏——信息密度。
什麼是信息密度？簡單說：你的 prompt 裏有多少對 AI 有用的信息。
來看三個 prompt，它們都在問同一件事：
低密度：
寫一首詩。
信息量：0.5 bit。AI 知道你要詩，但不知道什麼主題、什麼風格、什麼長度、給誰看。
中密度：
寫一首關於秋天的現代詩。
信息量：2 bit。有了主題（秋天）和風格（現代詩），但長度、情感基調、受眾仍然未知。
高密度：
寫一首關於秋天的現代詩，風格參考餘秀華，表達對逝去時光的感傷，
長度 8-12 行，適合發在朋友圈，普通讀者能看懂。
信息量：5 bit。主題、風格參考、情感基調、長度、發佈場景、受眾——全部明確。
信息密度越高，AI 的"搜索空間"越小，輸出越精準。
打個比方：你讓朋友幫你帶杯咖啡。
"帶杯咖啡"——他可能帶回來任何東西：美式、拿鐵、卡布奇諾、冰的、熱的、大杯、小杯 "帶杯熱美式，大杯，不加糖"——他帶回來的東西幾乎就是你想要的
prompt 就是你給 AI 的"訂單"。訂單越模糊，AI 越只能猜。訂單越精確，AI 越能命中。
為什麼 AI 會"猜"？
你可能會問：AI 不是應該很聰明嗎？為什麼不能自己理解我的意思？
這裏有一個關鍵認知：AI 沒有讀心術，它只有概率。
當你輸入"幫我寫一封郵件"，AI 面對的是一個巨大的概率空間：
什麼類型的郵件？（商務、私人、求職、投訴……）→ 上百種可能 什麼語氣？（正式、隨意、友好、嚴厲……）→ 幾十種可能 什麼長度？（一句話、一段話、長篇……）→ 幾十種可能 什麼場景？（催款、邀請、感謝、道歉……）→ 上百種可能
把這些組合起來，AI 面對的是 數百萬種可能的輸出。
在沒有額外信息的情況下，AI 會選擇"概率最高"的那個輸出——也就是訓練數據裏最常見的那種郵件。這就是為什麼你收到的往往是一封平庸的、模板化的郵件。
而當你提供更多信息時，你在幫 AI 縮小這個概率空間：
寫一封催款郵件 → 數百萬種可能
寫一封催款郵件，客戶欠 5 萬 → 幾千種可能
寫一封催款郵件，客戶欠 5 萬，逾期 30 天，語氣專業堅定 → 幾十種可能
每多給一條信息，AI 的"猜測範圍"就縮小一個數量級。
四種常見的"低密度 prompt"
理解了信息密度，我們來看看日常中最常見的四種低密度 prompt：
1. 只有動詞，沒有名詞
❌ 幫我分析一下。
❌ 幫我優化一下。
❌ 幫我想想。
"分析什麼？優化什麼？想什麼？"AI 只能靠上下文猜，猜錯的概率很高。
改進： 把"什麼"說清楚。
✅ 分析這份用戶反饋數據，找出投訴最多的三個問題。
✅ 優化這段 Python 代碼的運行時間，當前耗時 5 秒。
✅ 想三個適合中秋節的營銷活動方案，預算在 1 萬元以內。
2. 只有目標，沒有約束
❌ 寫一篇關於 AI 的文章。
AI 不知道寫多長、給誰看、什麼風格、什麼深度。它會給你一篇"中規中矩"的文章——什麼都說了，什麼都沒說透。
改進： 加上約束條件。
✅ 寫一篇 2000 字的科普文章，面向非技術讀者，解釋 AI 大模型的工作原理，
用生活化的類比，避免專業術語，風格輕鬆幽默。
3. 只有背景，沒有任務
❌ 我們公司是一家做電商的創業公司，目前有 50 個人……
背景說了一堆，但沒告訴 AI 你要它做什麼。AI 可能會給你一段公司介紹，或者問你"你需要什麼幫助？"
改進： 背景之後，明確說出任務。
✅ 我們公司是一家做電商的創業公司，目前有 50 個人。請幫我設計一個
客服團隊的組織架構，包含崗位設置、職責分工和彙報關係。
4. 只有模糊期望，沒有具體標準
❌ 幫我寫得好一點。
❌ 給我一些有用的建議。
"好"是主觀的，"有用"是模糊的。AI 不知道你的標準是什麼。
改進： 用可衡量的標準替代模糊期望。
✅ 把這封郵件的語氣改得更正式一些，用"尊敬的"開頭，避免口語化表達。
✅ 給我 3 個具體的、可執行的建議，每條建議包含：做什麼、為什麼做、預期效果。
信息密度的"甜區"
是不是信息越多越好？也不是。
信息密度過低，AI 在猜；信息密度過高，AI 會"迷路"。
過低：
幫我寫個方案。
→ AI 猜測範圍太大，輸出平庸。
過高：
幫我寫一個營銷方案。我們公司是 2020 年成立的，創始人叫張三，
畢業於北大，公司目前在望京 SOHO 辦公，有 50 個員工，
其中技術 20 人，產品 10 人，運營 10 人，市場 5 人，行政 5 人……
（省略 2000 字背景）
→ 關鍵信息被淹沒在噪音裏，AI 可能抓不住重點。
甜區：
我們是一家 B2B SaaS 公司，產品是項目管理工具，目前有 50 人團隊。
請幫我設計一個 Q3 的市場推廣方案，目標是新增 1000 個付費用戶，
預算 20 萬元，重點渠道是內容營銷和行業展會。
→ 關鍵信息完整，噪音為零，AI 能精準輸出。
找到甜區的原則：提供 AI 完成任務所需的最少充分信息。
什麼叫"最少充分"？問自己兩個問題：
去掉這條信息，AI 的輸出會變差嗎？→ 會 → 保留 去掉這條信息，AI 的輸出不受影響嗎？→ 不受影響 → 刪除
實戰對比：同一個需求，三種問法
需求：讓 AI 幫你寫一個 Python 函數。
低密度：
寫一個 Python 函數。
AI 可能寫任何東西——排序、計算、文件處理——完全隨機。
中密度：
寫一個 Python 函數，用來處理用戶輸入。
有了方向，但"處理"是什麼意思？驗證？清洗？轉換？AI 還是在猜。
高密度：
寫一個 Python 函數，功能是驗證用戶註冊時的郵箱格式。
要求：
1. 使用正則表達式
2. 返回布爾值（True/False）
3. 處理 None 和空字符串的情況
4. 函數名為 validate_email
5. 包含 docstring 和類型註解
6. 附帶 3 個測試用例
AI 幾乎沒有猜測空間，輸出會非常精準。
核心要點
prompt 的信息密度決定了輸出質量——信息越精準，AI 的猜測空間越小 AI 沒有讀心術——它靠概率選擇輸出，你需要用信息引導它縮小範圍 避免四種低密度 prompt：只有動詞、只有目標、只有背景、只有模糊期望 找到信息的"甜區"：提供最少充分信息，去掉噪音
下一篇預告
你已經知道了"問法"為什麼重要。但一條完整的 prompt 到底應該包含哪些部分？
下一篇，我們拆解一條 prompt 的內部結構——角色、任務、上下文、約束——看看每個部分是怎麼影響 AI 輸出的。