AI如何生成答案：让提示词技巧豁然开朗的思维模型

关于AI工作原理的大多数解释，都处在两个极端之间：要么说“它像人一样”（这种错误理解会让你吃亏），要么说“它会预测下一个词”（技术上正确，却含糊得没有实际帮助）。本文提供一条中间路径：一个十分钟就能掌握，并能立刻改变你编写提示词方式的实用思维模型。

你不需要掌握任何数学知识，也不需要知道Transformer是什么。你只需要理解一个概念，以及由此产生的四个结果。

一个核心概念

当你向ChatGPT、Claude或任何现代AI助手发送消息时，它所做的事情大致如下：

根据训练中学到的模式和你刚刚发来的对话，最合理的后续内容是什么？

随后，它会以很小的片段逐步生成句子——每次生成几个字符或一个词——并把每个片段重新馈入自身，用来预测下一个片段。它会持续生成，直到响应满足停止条件。

这就是核心循环。它不会在内部搜索“正确答案”，除非连接了工具，否则也不会查询数据库，更不存在人类意义上的推理模块。这里所做的，是由一个庞大的统计模式匹配器生成后续内容，使其看起来像是一位知识渊博的人在这种情境下会写出的文字。

它之所以让人感觉很智能，是因为它在训练中学习的模式来自人类编写的文本：语法、事实、笑话、代码、合同、食谱、论证、道歉，以及礼貌回复与讽刺回复之间的差别。因此，你向它提问时，最合理的后续内容往往就是正确答案。只是往往如此，并非永远如此。

由此会产生四个结果。每一个都能让一整类“提示词工程技巧”变得显而易见。

结果1：它不会核实真假

模型的优化目标不是给出正确答案，而是生成看似合理的文本。大多数时候二者相互重合，因为训练数据中包含有关常见主题的正确信息。但如果你提出的问题缺少模型见过的可靠信息——某个小众法律案件、某项近期具体事件或一句鲜为人知的引语——它也不会停下来，而是照样生成一个听起来合理的答案。

这就是幻觉产生的原因。不是因为模型坏了，而是因为它恰好在做自己原本就被设计来做的事：生成看似合理的后续内容。合理性与真实性相关，但二者并不相同。（这种故障模式在哪些地方影响最严重，以及如何通过验证流程发现它，详见为什么AI会给出自信的错误答案——本文只讨论背后的机制。）

这意味着：AI给出的任何具体事实性陈述——姓名、日期、数字、引用——都需要养成核实的习惯。模型可能会表达不确定性，但你不应该把它当作安全机制。要把检查步骤纳入工作流程。

结果2：上下文决定一切

如果模型会根据你的提示词预测最合理的下一句话，那么提示词就是决定它生成什么内容的输入。加入更多相关上下文——你是谁、已经尝试过什么、想要什么——模型就能匹配更丰富的模式。

因此，“提供更多上下文”是改善任何答案最可靠的方法。

“帮我写一封电子邮件”，得到的是一个在一无所知的情况下会写出的通用邮件。

“帮我给一个因我们错过截止日期而受到影响的长期客户写一封电子邮件，语气直接但亲切，不超过100字，结尾给出明确的下一步行动”，得到的内容会更接近你真正想要的邮件。

面对这两个提示词，模型本身并没有变得更聪明。它只是获得了更丰富的提示词，而提示词把“合理后续内容”的范围缩小到了更实用的区域。

当经验丰富的AI用户说，写提示词“无非就是更具体”时，他们指的正是这一点。这并不是什么窍门，而是因为你提供了更多可用信息，模型得以更准确地完成它唯一的工作。

结果3：对话也是上下文的一部分

每个现代AI助手都会把整段对话保留在其工作记忆中，这称为上下文窗口。当你回复“把第二段缩短一点”时，模型并非从头开始，而是根据此前对话中的所有内容生成最合理的下一条响应——原始邮件、它生成的草稿、你的批评，以及现在要求缩短第二段的指令。

因此，第二版草稿几乎总是比第一版更好。模型拥有了更多可用信息：原始提示词、它自己的尝试以及你的反馈。

这也带来一些实际影响：

• 内容丰富的长对话是一项优势，并非缺陷。 留在同一个对话中，不要每次都重新开始。
• 把你的批评直接发回去，胜过重写提示词。 如果模型已经掌握上下文，你就不必重复提供。
• 对话变得非常长后，模型会开始遗忘早期内容。 2026年的顶级产品可以支持非常大的上下文窗口（有些达到一百万个token或更多），但你实际付费使用的方案通常小得多，而且随着窗口逐渐填满，质量会下降。对于真正的长期项目，可以偶尔总结内容并重新开始。

结果4：提问方式会塑造输出

因为模型会生成看似合理的后续内容，所以它生成的内容类型在很大程度上取决于提示词的语气和形式。

提问随意而模糊，你会得到随意而模糊的答案。以结构化、具体的方式提出同一个问题，你会得到更严谨的内容。

让模型在给出最终答案前分解问题，它就会生成中间分析，而这往往能改善最终答案。这并不神奇。它只是引导响应在得出结论之前，更多地用于分解、检查和比较，从而在困难问题上产生更可靠的答案。

让模型扮演特定角色——“你是爱沙尼亚的一名资深税务会计师”——它会借鉴这类人通常如何回答问题的模式。模型并没有真的成为税务会计师，而是在匹配税务会计师专业文本的风格和信息密度。

让模型反驳你的想法，它会生成最合理的反方论点。让它扮演持怀疑态度的客户，它会表现出质疑。让它简明扼要，它就会压缩内容。

你见过的每一种“提示词工程模式”都是这一结果的变体。角色提示、完整示例、批评提示、“提出反对意见”、“保持简洁”、“模仿这种语气”——这些方法之所以有效，是因为它们把模型的预测引向了另一类合理的后续内容。

对于工作任务，最安全的提示词很少取决于多么巧妙的措辞。它应该是一套清晰的信息组合，包含上下文、约束条件、来源材料、输出格式，以及明确的不确定性处理规则。

综合运用

下次发送提示词时，请记住这四个结果：

1. 模型不会核实真假，只会生成看似合理的内容。
2. 更多上下文能把合理答案的范围缩小到更接近你真正需求的区域。
3. 整段对话都是上下文，所以要充分利用来回交流。
4. 提示词的形式和语气，会塑造答案的形式和语气。

请注意，这四点都归结于同一个观察：提示词是连接模型训练模式与你真正想要的输出之间的桥梁。在不丢失信息的前提下，这座桥越短越好。

实用的提示词组合

对于实际工作，一个好的提示词通常包含六个部分：

这正是模糊提示词会产生模糊答案的原因：它们留下了太多可能的合理后续内容。本文链接的配套练习可以帮助你把效果欠佳的提示词改造成这套六部分组合。

一个小测试

找出你最近发过、但只得到平庸答案的一个提示词。看看它，然后问问自己：

• 我是否为模型提供了足够的上下文，让它了解我是谁、想要什么？
• 我是否加入了任何约束条件——篇幅、语气、格式？
• 我是否向它展示了优质输出应该是什么样子？
• 我是否要求它分解问题、提出质疑或标出不确定之处？

你几乎总能发现至少缺少其中一项。补上它，再次发送提示词。答案通常会有所改善，因为你把合理后续内容的范围缩小到了更接近实际工作需求的区域。