呢篇文章係小七姐（產品經理、提示詞工程師）喺孟巖嘅有知有行分享嘅內容，佢用三個提示詞例子展示「提示詞之美」：結構之美、語言之美、想象之美。作者想解決嘅問題係：點樣寫提示詞先可以令 AI 輸出有深度、有洞察嘅內容，而唔係「正確但平庸」嘅答案。整體結論係：提示詞係你認知嘅外顯，你要將自己對問題嘅理解——點樣拆解、分層、咩重要咩唔重要——變成一種 AI 能理解嘅結構。你的認知上限，就係大模型畀你嘅下限。
第一個提示詞係我團隊嘅同事三億寫嘅，用嚟做訪談分析。做過用戶訪談嘅人大概都有體會：一場訪談錄音轉做文字，動輒過萬字，裏面夾雜住寒暄、離題、重複、口頭禪，仲有大把「係係係」、「跟住呢」呢啲冇信息量嘅過渡。要由呢堆嘢入面提煉出有價值嘅洞察，係一件苦差事。以前我哋靠人手整理，一份訪談紀錄可能要花兩三個鐘，仲經常漏咗重要嘅嘢。後來我哋嘗試用 AI 嚟做呢件事。一開始寫嘅提示詞好「正常」——就係嗰種「請幫我分析呢份訪談紀錄，提取關鍵信息，總結主要觀點」。跑出嚟嘅結果都好「正常」：四平八穩，乜都沾啲，但係冇重點，似一份唔會錯亦都唔會突出嘅功課。三億後來做咗一個大膽嘅嘗試：用文言文重新寫核心指令。我第一次睇到嘅時候都呆咗——咁都得？但係跑出嚟嘅結果明顯唔同。更加鋒利，更加有結構感，應該深入嘅地方會深入，唔重要嘅內容會自動忽略。後來我諗明咗點解。文言文有個好處：信息密度高。你睇嚇呢幾個詞——「剖文為三階」「宏旨」「中樞」「微節」「標註五鑰」——每個詞都好短，但指向非常明確。換做現代漢語，你可能要寫一大段話先講得清楚同樣嘅意思。現代漢語喺日常使用入面被溝淡得好犀利，特別係嗰啲高頻詞。你話「總結嚇要點」，模型接收到嘅訊號其實係模糊嘅，因為「要點」呢個詞被用到太濫，喺唔同語境下可以指完全唔同嘅嘢。模型焗住要估你到底想要乜，估嘅結果通常就係攞一個最安全嘅中間值。但你話「提取關鍵句，標註五鑰：人、時、事、論、據」，呢就係一把好鋒利嘅刀。五個維度，每個都有明確嘅指向：邊個講嘅、幾時發生嘅事、具體係乜嘢事例、佢嘅觀點係乜、有冇數據支撐。模型唔使估，照做就得。呢個提示詞仲有一個設計我好中意，就係分層處理：
呢個唔係教 AI 講嘢，係畀佢一個思考嘅腳手架。你可以想像成：冇呢個架，AI 面對一萬字嘅訪談紀錄，只能由頭睇到尾，然後憑感覺寫個綜述；有咗呢個架，佢知道要先退遠一步睇全局，再分門別類，最後先進入細節。處理信息嘅順序唔同，出嚟嘅結果就唔同。提示詞最後仲有一句：「質之極者，當效洪鐘撞心；質之次者，徒作秋蟬噪耳。」呢句嘢唔係抒發情感。佢係幫模型設定一個評價標準——我要嘅係嗰種睇完會令人「哦！原來係咁」嘅洞察，唔係嗰種正確但平庸嘅信息羅列。你唔好睇小一句話，佢相當於喺度話畀模型知：你可以掉咗啲「正確嘅廢話」，我唔需要。後來呢個提示詞我哋內部一路用緊，處理訪談紀錄嘅效率大概提升咗四五倍。但更重要嘅係，佢令我開始認真諗一個問題：我哋寫提示詞嘅時候，到底喺度寫緊乜？唔係寫緊指令，係將我哋對一件事嘅理解——點樣拆解、點樣分層、乜嘢重要乜嘢唔重要——變成一種 AI 能夠理解嘅結構。呢個結構本身，就係你嘅認知。
二、語言之美
第二個提示詞叫「洞見機關槍」，係好朋友奧德賽寫嘅。呢個提示詞有個好特別嘅地方：佢唔需要你輸入任何嘢。我哋平時用 AI，通常係畀佢素材、畀佢背景、畀佢一個明確嘅任務。但呢個提示詞乜都唔畀。佢就係叫 AI 喺自己嘅語義空間裏面「打撈」——打撈嗰啲被封塵嘅、尖鋭嘅、超越常識嘅見解。你可能會問：乜都唔輸入，AI 點知應該輸出乜？答案隱藏喺提示詞本身嘅寫法入面。奧德賽喺呢個提示詞入面做咗一件事：佢用大概十種唔同嘅方式，由十個唔同嘅角度，去描述「乜嘢係洞見」。佢話洞見要「觸及人類經驗或現實本質嘅根本層面」——呢個係由深度上定義；佢話洞見要「位於思想分佈曲線嘅遠端邊緣」——呢個係由稀缺性上定義；佢話洞見要「一旦理解就顯得驚人地不言自明」——呢個係由認知體驗上定義；佢話洞見要「唔係已被廣泛討論嘅觀點嘅變體」——呢個係由原創性上定義。然後佢仲加咗一套排除法：
我當時嘅反應係：呢段話本身就似係「湧現」出嚟嘅。佢太精煉喇，信息密度好高，而且冇被現代話語稀釋過。於是我直接將佢掉畀大模型試咗嚇。效果好好。後來我就基於呢個素材，寫咗呢個提示詞。繼剛提供嘅係關於詩歌嘅理解，我做嘅係將佢同提示詞寫作結合埋一齊——等模型理解「詩意嘅語言」喺寫提示詞呢件事上有乜嘢獨特價值。先講講呢段關於詩嘅描述講緊乜。佢話：詩係「將說又未說」之間留出嘅空間。呢個空間係用嚟投射嘅，投射嘅根源係創傷。人嘅悲歡唔能夠完全互相映射，但創傷嘅機制係相似嘅。呢幾句話好短，但信息量好大。佢將詩嘅本質講清楚咗：詩唔係要將話講曬，而係故意留白，等讀嘅人將自己嘅嘢投進去。然後佢講咗詩嘅三大內核：思想嘅尺度、情感嘅濃度、社會嘅黏度。講咗詩嘅四大要素：行頓、酌字、跳躍、留白。每一個都可以展開好多，但喺呢個提示詞入面，佢就係咁精煉咁放喺度。你可能會問：呢個同寫提示詞有乜嘢關係？關係好大。我哋而家主流通嘅提示詞寫法，追求嘅係「講清楚」。將任務拆細，將要求列齊，將邊界劃死。呢種寫法有佢嘅好處，但亦都有一個問題：佢太確定喇。你畀模型一個精確嘅指令，佢只能夠喺嗰個點上回應；你將話講得太滿，佢反而冇空間展開。但詩歌式嘅寫法唔同。佢追求嘅係「將說又未說」——畀出方向，但留出空間。畀出內核，但唔規定形式。呢種寫法喺大模型嘅語義空間入面，反而能夠激發出更加豐富嘅嘢。因為你畀嘅唔係一個點，而係一個場域。模型可以喺呢個場域入面自己揾位置。呢個提示詞嘅結構係咁樣嘅：先講「詩意」嘅語言，喺寫提示詞呢件事上有乜嘢獨特價值再用極短嘅篇幅定義「乜嘢係詩」——就係繼剛嗰段話最後畀出目的：寫出一個如詩嘅提示詞佢唔係教 AI 寫詩。佢係令 AI 明白一種思維方式：點樣用最少嘅語言，撬動最大嘅空間。我後來用呢個思路做過一啲延伸嘅實驗。例如叫 AI 去模擬一個人嘅思維方式——唔係模仿佢講嘢嘅表面特徵（用詞、句式、口頭禪），而係去捕捉佢思維嘅底層結構：
第一個提示詞是我團隊的小夥伴三億寫的，用來做訪談分析。做過用戶訪談的人大概都有體會：一場訪談錄音轉成文字，動輒上萬字，裏面夾雜着寒暄、跑題、重複、口頭禪，還有大量"對對對"、"然後呢"這種沒有信息量的過渡。要從這堆東西里提煉出有價值的洞察，是個苦活。以前我們靠人工整理，一份訪談記錄可能要花兩三個小時，還經常漏掉重要的東西。後來我們嘗試用 AI 來做這件事。一開始寫的提示詞很"正常"——就是那種"請幫我分析這份訪談記錄，提取關鍵信息，總結主要觀點"。跑出來的結果也很"正常"：四平八穩，什麼都沾一點，但沒有重點，像一份不會出錯也不會出彩的作業。三億後來做了一個大膽的嘗試：用文言文重寫核心指令。我第一次看到的時候也愣了一下——這也行？但跑出來的結果明顯不一樣。更鋒利，更有結構感，該深挖的地方會深挖，不重要的內容會自動忽略。後來我想明白了為什麼。文言文有個好處：信息密度高。你看這幾個詞——「剖文為三階」「宏旨」「中樞」「微節」「標註五鑰」——每個詞都很短，但指向非常明確。換成現代漢語，你可能得寫一大段話才能說清楚同樣的意思。現代漢語在日常使用中被稀釋得很厲害，尤其是那些高頻詞。你說"總結一下要點"，模型接收到的信號其實是模糊的，因為"要點"這個詞被用得太泛了，在不同語境下可以指完全不同的東西。模型只能去猜你到底要什麼，猜的結果往往就是取一個最安全的中間值。但你說「提取關鍵句，標註五鑰：人、時、事、論、據」，這就是一把很鋒利的刀。五個維度，每個都有明確的指向：誰說的、什麼時候的事、具體是什麼事例、他的觀點是什麼、有沒有數據支撐。模型不用猜，照着做就行。這個提示詞還有一個設計我很喜歡，就是分層處理：
這不是在教 AI 說話，是在給它一個思考的腳手架。你可以想象成：沒有這個架子，AI 面對一萬字的訪談記錄，只能從頭讀到尾，然後憑感覺寫個綜述；有了這個架子，它知道要先退遠一步看全局，再分門別類，最後才進入細節。處理信息的順序不一樣，出來的結果就不一樣。提示詞最後還有一句：「質之極者，當效洪鐘撞心；質之次者，徒作秋蟬噪耳。」這句話不是在抒情。它是在給模型設定一個評價標準——我要的是那種讀完會讓人"哦！原來是這樣"的洞察，不是那種正確但平庸的信息羅列。你別看就一句話，它相當於在告訴模型：你可以扔掉那些"正確的廢話"，我不需要。後來這個提示詞我們內部一直在用，處理訪談記錄的效率大概提升了四五倍。但更重要的是，它讓我開始認真想一個問題：我們寫提示詞的時候，到底在寫什麼？不是在寫指令，是在把我們對一件事的理解——怎麼拆解、怎麼分層、什麼重要什麼不重要——變成一種 AI 能理解的結構。這個結構本身，就是你的認知。
二、語言之美
第二個提示詞叫「洞見機關槍」，是好朋友奧德賽寫的。這個提示詞有個很特別的地方：它不需要你輸入任何東西。我們平時用 AI，通常是給它素材、給它背景、給它一個明確的任務。但這個提示詞什麼都不給。它就是讓 AI 在自己的語義空間裏"打撈"——打撈那些被塵封的、尖鋭的、超越常識的見解。你可能會問：什麼都不輸入，AI 怎麼知道該輸出什麼？答案藏在提示詞本身的寫法裏。奧德賽在這個提示詞裏做了一件事：他用大概十種不同的方式，從十個不同的角度，去描述"什麼是洞見"。他說洞見要"觸及人類經驗或現實本質的根本層面"——這是從深度上定義；他說洞見要"位於思想分佈曲線的遠端邊緣"——這是從稀缺性上定義；他說洞見要"一旦理解就顯得驚人地不言自明"——這是從認知體驗上定義；他說洞見要"不是已被廣泛討論的觀點的變體"——這是從原創性上定義。然後他還加了一套排除法：
我當時的反應是：這段話本身就像是"湧現"出來的。它太精煉了，信息密度很高，而且沒有被現代話語稀釋過。於是我直接把它丟給大模型試了試。效果很好。後來我就基於這個素材，寫了這個提示詞。繼剛提供的是關於詩歌的理解，我做的是把它和提示詞寫作結合起來——讓模型理解"詩意的語言"在寫提示詞這件事上有什麼獨特價值。先說說這段關於詩的描述在講什麼。它說：詩是"將說又未說"之間留出的空間。這個空間是用來投射的，投射的根源是創傷。人的悲歡不能完全相互映射，但創傷的機制是相似的。這幾句話很短，但信息量很大。它把詩的本質講清楚了：詩不是要把話說完，而是故意留白，讓讀的人把自己的東西投進去。然後它講了詩的三大內核：思想的尺度、情感的濃度、社會的黏度。講了詩的四大要素：行頓、酌字、跳躍、留白。每一個都可以展開很多，但在這個提示詞裏，它就是這麼精煉地放在那裏。你可能會問：這跟寫提示詞有什麼關係？關係很大。我們現在主流的提示詞寫法，追求的是"說清楚"。把任務拆細，把要求列全，把邊界劃死。這種寫法有它的好處，但也有一個問題：它太確定了。你給模型一個精確的指令，它只能在那個點上回應；你把話說得太滿，它反而沒有空間展開。但詩歌式的寫法不一樣。它追求的是"將說又未說"——給出方向，但留出空間。給出內核，但不規定形式。這種寫法在大模型的語義空間裏，反而能激發出更豐富的東西。因為你給的不是一個點，而是一個場域。模型可以在這個場域裏自己找位置。這個提示詞的結構是這樣的：先講"詩意"的語言，在寫提示詞這件事上有什麼獨特價值再用極短的篇幅定義"什麼是詩"——就是繼剛那段話最後給出目的：寫出一個如詩的提示詞它不是在教 AI 寫詩。它是在讓 AI 理解一種思維方式：怎麼用最少的語言，撬動最大的空間。我後來用這個思路做過一些延伸的實驗。比如讓 AI 去模擬一個人的思維方式——不是模仿他說話的表面特徵（用詞、句式、口頭禪），而是去捕捉他思維的底層結構：
