一个反直觉的实验
我们做了两个Prompt，让模型写一篇关于气候变化的文章：
Prompt A：“请执行以下任务：写一篇关于气候变化的文章，包含原因、影响和解决方案。”
Prompt B：“请帮我写一篇关于气候变化的文章。我的读者是大学生，他们关心这个话题但缺乏专业知识。我希望文章包含原因、影响和解决方案，语言生动易懂。”
结果：Prompt B的输出质量在盲评中得分4.3/5，Prompt A仅3.1/5。同样的任务，同样的模型，Prompt的措辞差异带来了2.5倍的质量差距。
为什么？因为Prompt A把模型当成"执行命令的机器"，而Prompt B把模型当成"协作的伙伴"。前者触发的是"指令执行模式"，后者触发的是"理解意图并创造"模式。
第一性原理：Prompt是与概率分布的对话
大语言模型本质上是一个条件概率分布P(next_token | context)。它不"理解"你的指令，它只是计算在给定上下文下，最可能的下一个token是什么。
这意味着Prompt的设计不是"如何让AI听懂我说的话"，而是"如何构造一个上下文，使得在这个上下文中，我想要的输出是最可能出现的输出"。
这个视角转变带来三个关键洞察：
洞察一：Prompt不是"指令"，而是"上下文编程"。 你不是在给AI下命令，你是在构造一个信息环境，让AI在这个环境中自然地产生你想要的输出。就像导演不是在"命令"演员，而是在营造一个让演员自然发挥的情境。
洞察二：不确定性是Prompt设计的核心。 如果模型对任务"非常确定"（如翻译"Hello"为"你好"），Prompt怎么写都行。但如果模型对任务"不确定"（如"写一首有创意的诗"），Prompt的每一个词都在影响概率分布，决定最终输出的方向。
洞察三：模型在"猜测你的意图"。 当你给了一个模糊的Prompt，模型会"猜测"你的意图，并朝着它认为最可能的方向生成。很多时候，糟糕的输出不是因为模型"能力不足"，而是因为模型"猜错了你的意图"。
五个第一性原理Prompt设计原则
原则一：消除歧义（Disambiguate）。 每一个模糊的词，都在增加模型"猜错"的概率。把"写得好一点"改成"语言简洁，每段不超过3句话，使用主动语态"。
原则二：提供上下文（Contextualize）。 “写一篇关于AI的文章"没有上下文。“写一篇面向非技术管理者的AI入门文章，他们需要决定是否在公司引入AI”——有了上下文，模型知道了受众、目标和深度。
原则三：示范期望（Demonstrate）。 与其描述你想要的格式，不如给一个例子。Few-shot Prompting的本质就是"用例子来编程概率分布”。
原则四：分解复杂度（Decompose）。 不要一次性要求模型完成一个复杂任务。将任务分解为多个步骤，逐步引导模型。“先列出大纲，再展开第一部分，最后检查格式”——每一步都在缩小概率分布的范围。
原则五：利用模型的"自我纠正"能力（Self-Correct）。 在Prompt末尾加上"完成后，请检查你的输出是否符合以上所有要求，如有不符合请修正"。这个简单的技巧可以提升10-15%的指令遵循率。
记住：Prompt设计的本质不是"说话的艺术"，而是"概率分布的工程学"。 掌握了这个底层逻辑，你不再是在"猜"怎么写Prompt，而是在"设计"信息环境。