别再把 Prompt 当成说明书写了，冗余的指令正是 AI 跑题的元凶

很多开发者在刚接触 Prompt Engineering 时，最容易掉进一个认知陷阱：认为指令写得越像产品手册、细节越丰富，模型执行的效果就越精准。于是大家习惯性地堆砌背景、设定复杂的语气，甚至花十几分钟写一个三段式的长 Prompt，结果却发现 AI 的输出变得死板，甚至在执行中途就开始出现所谓的“注意力漂移”。

其实，提示词的质量往往与冗余度成反比。从 LLM 处理 Token 的机制来看，模型在处理输入时会对指令进行权重分配。当你把过多的限制条件塞进同一个指令时，大量的干扰项会稀释核心任务的权重。一个真正高效的提示词应该追求的是“高信息密度”，而非单纯增加字数。

我在实战中发现，最有效的优化路径并非追求一次性的完美，而是采用“极简迭代法”。具体操作是：先写一个最核心的指令，观察模型在哪个环节出错了，再针对性地加入一条约束。这种方法比直接写一篇冗长的指令要高效得多。我近期在处理复杂任务时验证的逻辑是：将模糊的【背景描述】压缩成【关键维度】，将抽象的【格式要求】具体化为【示例输出】。

目前最典型的错误就是过度依赖模糊的形容词。比如很多人喜欢写“请扮演一个资深分析师，语气要专业，分析要深刻，不要啰嗦”。在模型看来，“专业”和“深刻”是没有统一量化标准的，它必须通过概率猜测你的定义，这极大地增加了输出的不确定性。

我们可以尝试将这些形容词替换为确定性的执行规则。以分析财报为例，与其写长篇大论的语气要求，不如直接给它一个结构化的指令：

# Role: 财报分析专家
# Task: 提取[公司名] Q3财报中的核心风险点
# Constraints: 
- 仅输出 bullet points
- 每个点必须附带原句引用
- 严禁使用“总体而言”、“综上所述”等废话
# Output Format:
- [风险点]: [原句] -> [潜在影响]

这种写法的核心在于消除了模糊性。模型不再需要猜测什么是“专业”，它只需要执行具体的过滤规则：第一，必须有原句引用；第二，禁止出现特定的总结词。这种确定性的指令能极大地提高输出的信噪比。

如果你在实际操作中发现模型依然不听话，建议重点检查 Prompt 中是否加入了相互冲突的约束。例如，你既要求它“极其详尽地分析”，又要求它“尽可能简洁”，这会导致模型在权重分配上产生混乱，最终输出的内容往往不痛不痒，两头不到位。

进阶的提示词工程本质上不是在写作文，而是在设计一套精准的过滤机制。减少冗余，用具体的执行标准代替模糊的形容词，让模型把 Token 权重全部集中在核心任务上，这才是提升 AI 生产力的正确姿势。