写出第一版提示词很容易，难的是让它在一千种真实输入下都表现稳定，并且在你改动之后不悄悄变差。
这一课讲怎么把提示词当成代码来对待：诊断问题、一次改一处、做版本管理、用数据比较，以及怎么让 AI 帮你改提示词。
一、输出不好，先找原因
拿到一个糟糕的回答，多数人第一反应是怪模型。十次里有九次，问题在提示词。
几乎所有提示词问题都可以归到三类原因：
- 信息缺失：模型不知道它该知道的东西，只能猜
- 信号冲突：指令之间互相矛盾，模型随便挑一条
- 输出没约束：内容对了，形状不对
先判断属于哪一类，修起来就快了。
十个常见错误
| 错误 | 症状 | 修法 |
|---|---|---|
| 要求含糊 | 回答泛泛而谈 | 把形容词换成具体的名词和数字 |
| 缺少背景 | 答案在别的场景下成立，在你这里不成立 | 先交代你是谁、在做什么、给谁看 |
| 没说格式 | 内容对但形状没法用 | 在结尾明确写出输出格式 |
| 关键指令埋在中间 | 某条规则被无视 | 任务写在开头，关键规则在结尾重复 |
| 用否定句 | 越说「不要」越出现 | 改成「要做什么」 |
| 指令互相矛盾 | 风格忽左忽右 | 发送前通读，找出冲突并明确取舍 |
| 给推理模型加「一步步想」 | 变慢变啰嗦，没变准 | 推理模型去掉这类指令 |
| 规则都塞在用户消息里 | 规则时灵时不灵，对话很乱 | 长期规则移到系统提示词 |
| 微妙的任务不给示例 | 语气或结构总差一点 | 加一两个输入输出示例 |
| 改法随机 | 改来改去不知道哪次有用 | 一次只改一处，保留旧版本 |
前三个占了新手问题的大头，先排查它们。
还有一个常见误区：用全大写、「必须」「绝对」这类强调词来提高服从度。在很多模型上这反而会导致过度拒绝或者输出变得别扭。用平静的陈述句，真正关键的那一条才强调，而且只强调一次。
二、一次只改一处
提示词有一个让人不安的特点：很小的表面改动，比如换个分隔符、调整选项顺序、改个大小写，都可能明显改变输出。
这意味着你没法靠「想」来找到最好的写法，只能靠测。
迭代的基本流程和调 bug 一样：
- 准备一组固定的测试输入，包括正常情况和刁钻情况
- 跑一遍，看具体错在哪
- 判断是缺信息、有冲突，还是没约束
- 只改一处，用同一组输入再跑
- 有改善就保留，没有就回退
一次改五个地方，结果变好了，你也不知道是哪一处起的作用。下次出问题，你还是一样迷茫。
