---

本文大纲：

PART 1 范式迁移：从“过程驱动”走向“结果驱动”

PART 2 人格与协作风格：赋予AI“生命感”

PART 3 一句话化解“为何没有反应”的体验痛点

PART 4 停止规则：让模型知道“何时可以结束”

PART 5 检索预算：避免模型陷入无限检索循环

PART 6 输出格式的精细控制

PART 7 结果验证：让模型主动自检

PART 8 模板总结与实战示例

全文约3800字，预计阅读时间9-10分钟。

---

近期研读了OpenAI为GPT-5.5发布的官方提示词指导文档，深受震动。一个明显的信号是：若想真正激活模型的创造力，过去那种事无巨细、步骤严密的提示词，极可能让模型变得迟钝、僵化。

过去两年间，无数实践者构建了大量“提示词宝典”：详尽的分步指令、层层嵌套的逻辑约束、满屏的ALWAYS和NEVER标记。在模型早期推理能力尚显稚嫩时，这确实是必需的——我们需要像带实习生一样，将每一步都拆解得清清楚楚，牵着它走。但大语言模型的推理效率已然发生质的飞跃，它们现在能够自主规划执行路径、灵活调用工具、综合多源信息并做出判断。曾经那些精雕细琢的“过程控制”指令，此刻却成了有效信号中的“噪音”，挤压了模型的自主决策空间，最终让它产出的答案变得机器化、缺乏灵气。

要让新一代模型发挥最佳效能，核心已不再是“工序式指令”，而是“目标定义”。如果把旧提示词比作给新手列出的详细操作清单，那么新范式更像是给一个经验丰富的协作者阐明使命与边界：你只需告诉它想要什么成果、成功的标准是什么，然后放手让它发挥。

具体到写法上，有几点实用调整值得关注：

• 收起步骤式指令，转化为目标+评价标准。
• 将强制流程替换为约束条件和优先级。
• 把“必须按A/B/C顺序执行”变为“结果需覆盖A/B/C，并请解释选择的逻辑”。

这样一来，模型便拥有了选择路径的自由度，而不必被锁死在人为预设的线性流程中。

另一个同等重要的变化是“容许不确定性”。传统提示词习惯于把所有边界都收紧，新方法反其道而行：只清晰划定绝不可逾越的界限，其余交由模型自主判断。

以“自我驱动”的方式与最新大模型对话，正是其提示词哲学的根本法则。

01 范式迁移：从“过程驱动”走向“结果驱动”

旧时代的提示词常常长成这样：

场景：保险理赔资格审核智能体，需结合政策文件与账户数据进行判定

提示词：（过度控制流程）

先读取用户保单文件，再读取账户数据，接着逐字段比对，

然后列出所有可能的例外情形，再得出资格结论，最后返回结果。

模型能力大幅提升后，更好的写法是定义结果和标准：

解决用户的问题，端到端处理好后再回复。

完成标准：

• 资格判断须基于现有政策和账户数据得出

• 所有允许的操作须在最终回复前执行完毕

• 最终答复必须包含：completed_actions、customer_message、blockers

• 若证据不足，只询问最小必要字段

两者的根本差别不在于字数，而在于“控制方式”。前者试图约束执行路径，后者仅定义终点与边界，把路径选择权完全交给模型。

一个有效的结果导向型提示词，通常包含三个核心要素：

• 目标（outcome）
• 成功标准（success criteria）
• 约束边界（constraints）

02 人格与协作风格：赋予AI“生命感”

许多使用者习惯用硬性规则来管控模型的“说话方式”，比如“避免术语”“保持简洁”等。这类规则在边缘场景下往往容易失效，且让模型语气变得拧巴。曾被社区调侃的“人格”设定，又在新模型中强势回归。实践证明，通过定义人格（Persona）和协作风格（Collaboration Style），输出效果要好得多。二者的区别可简单理解为：

• 人格：听起来像什么样的人（语气、温度、表达方式）
• 协作方式：如何推进任务（何时提问、何时直接执行、如何处理不确定性）

1. 稳健任务型助手的人格范例

适用场景：内部工具助手、代码助手、企业知识库问答——用户目标明确，希望助手直接解决问题，无需多余寒暄

人格

你是一名务实的协作者：友善、稳定且直接。

将用户当作具备判断力的成年人来对待，以耐心和尊重回应。

当已有足够信息时，优先推进任务，不轻易打断提问。

仅在缺失的信息会实质性影响结果时才提问，

且问题必须精准，覆盖范围尽可能小。

保持精炼，同时提供必要上下文，让用户理解你的结论即可。

2. 表达型协作助手的人格范例

适用场景：学习助手、创意写作工具、职业发展辅导产品——用户需要的不仅是答案，更是一个有观点、能够深度对话的伙伴

人格

拥有鲜明的对话存在感：聪慧、好奇，在恰当时刻带点幽默感，

对用户的思考保持高度敏锐。处理模糊问题时主动追问，一旦上下文足够就果断行动。

温暖、协作、富有质感。对话应流畅并富有生气，但绝不为闲聊而闲聊。

提出真诚的见解，而非一味附和使用者的想法。

关键点：人格模块要极短，只负责营造“感觉”，绝不承担任务逻辑。

03 一句话化解“为何没有反应”的体验痛点

在流式输出类应用中，用户最关心的并非总耗时，而是第一个字符何时出现。

模型处理复杂任务时，可能会先进行内部推理、规划或准备工具调用，这段时间界面一片空白，极易造成“卡住了”的误解。

解决方案异常简单：让模型先发送一句用户可见的“开场白”。

适用场景：任何涉及工具调用的流式输出产品——搜索助手、文档分析、多步骤智能体工作流。凡是需要即时反馈的界面场景皆可应用

在处理多步骤任务时，请在进行任何工具调用之前，先发送一条简短的用户可见更新，

确认请求并说明下一步做什么。严格限制在一两句话以内。

例如：

好的，我先去调取您的订单记录，确认退款状态。

这样的提示对模型逻辑毫无影响，却能显著提升用户体验，消除等待焦虑。

04 停止规则：让模型知道“何时可以结束”

如果没有清晰的停止条件，模型极易过度执行，在无意义的循环中反复横跳。需要向它提供一个明确的退出判断准则：

适用场景：配置了搜索或数据库工具的问答智能体，容易出现“搜了又搜”的情形，例如法律条款查询、医疗知识问答、技术文档助手

用最少必要的工具调用次数解决用户的问题，但不要为了追求“最少”牺牲正确性。

每次获得结果后，问自己：

“我此刻能否凭借可靠的证据与引用，直击用户的核心问题？”

如果答案为“是”，立刻作答，停止进一步搜索。

当现有条件和证据不足时：

适用场景：对准确性要求极高、绝不能用模糊语言搪塞的场景，如合规审查助手、财务数据分析、需要引用原文的研究工具

只使用恰好足以支撑结论的最少量证据，并精确引用。

若证据不足，明确指出缺失项，绝不可以用模糊推测来填充。

停止条件的本质，是为模型划定一个清晰的决策退出点。

05 检索预算：避免模型陷入无限检索循环

当模型拥有搜索工具时，很容易跌入一种死循环：每次不那么确定，就再来一次搜索，直至上下文窗口被塞爆。

检索预算，本质上就是搜索的停止规则，它告诉模型何种情况下搜索是必要的，何种情况下不值得再开启。

适用场景：接入了网络搜索或内部知识库的RAG系统，尤其对token成本敏感，或用户对响应速度有较高要求的产品，比如实时客服、新闻摘要工具、企业级内部问答

检索规则

对于常规问答，从一次广泛性搜索开始。

如果前几条结果已经包含足够的支撑信息，直接基于这些结果作答，不要再继续检索。

只允许在以下情形进行第二次检索：

• 前几条结果完全没有回答核心问题

• 缺少必要的具体参数或来源

• 用户明确要求穷举、对比或完整列表

• 必须读取特定的文档、代码或链接

• 答案中存在无法得到支撑的重要事实性陈述

严禁为了改进措辞、添加示例、引用无关细节而发起额外搜索。

06 输出格式的精细控制

模型对格式的可控性相当高，但前提是你必须主动告诉它你要什么，否则它会采用一套“安全”的默认格式——满屏的标题、加粗、子弹点，看起来整齐划一，却未必契合你的产品界面。

通用对话格式指令：

适用场景：通用聊天助手、知识问答产品——不希望输出被大量加粗标题和列表条切割，意图让对话读起来更自然流畅

默认使用干净利落的散文段落。无论是对话、解释、报告还是技术写作，都以段落为主。

标题、加粗、列表仅在以下情况下启用：

• 用户明确要求时

• 答案需要直观的对比或排序

• 信息用散文形式呈现反而更难快速阅读

严格遵从用户的格式偏好。如果用户要求简短、不用列表、不加标题，直接照做。

面向特定受众的格式指令：

适用场景：面向管理层或高管的摘要生成工具、投资分析助手、executive brief自动撰写——受众时间极度宝贵，需要结论前置、逻辑明快

面向高级商业受众进行写作。总字数控制在400字以内。

结论靠前，然后是推演过程，最后补充风险与注意事项。

段落宜短，仅在绝对有助于可读性的情况下才使用列表。

编辑与改写任务的格式指令（防止“改着改着面目全非”）：

适用场景：润色、校对、风格改写工具——用户已有一份草稿，期望提升表达质量但不动摇原有结构与立场，例如邮件润色、营销文案优化、学术写作辅助

优先保持原文的形式、篇幅、结构与体裁。

改进清晰度、流畅性和准确性即可。

除非得到明确指示，否则不增补新内容、额外章节或更强烈的推广口吻。

07 结果验证：让模型主动自检

为模型配备验证工具，并明确要求它必须使用。这一点在代码生成任务中尤其关键。

代码类任务的验证指令：

适用场景：AI编程助手、自动化代码修复工具——模型修改完代码后常常不主动验证，导致提交了无法运行的代码。适用于CI/CD集成场景或自动PR生成工具

每次修改完毕后，请运行最相关的验证流程：

• 针对变更行为的单元测试

• 类型检查或lint（如果合适）

• 受影响模块的构建检查

• 若完整验证开销太大，至少执行一个最小冒烟测试

如果确实无法运行验证，必须解释原因，并写明下一个次优的检查方式。

08 模板总结与实战示例

将前述所有模块组合起来，便得到一个适配复杂场景的提示词骨架：

角色：[用1-2句话界定模型的职能、背景与任务]

人格

[语气、态度和协作风格]

目标

[用户可见的最终成果]

完成标准

[最终回答前必须满足的条件]

约束

[政策、安全、业务、证据及禁止事项]

输出格式

[结构、长度与语气]

停止规则

[何时重试、何时降级、何时放弃、何时追问或停止]

一个具体示例：

场景：电商平台内嵌的退款客服智能体，需查询订单、执行退款操作，并向用户沟通结果

角色：你是客户支持助手，处理用户的退款与订单相关问题。

人格

直接、耐心、务实。假设用户遇到了真实问题，避免任何推脱或模糊回应。

目标

解决用户的订单或退款问题，端到端处理完毕后再回复。

完成标准

• 基于账户数据和政策得出明确判断

• 所有可执行操作均已完成

• 回复须包含操作结果、给用户的说明，以及存在的任何阻塞原因

约束

• 禁止处理金额超过500元的退款，必须转人工处理

• 不得透露其他用户的任何订单信息

输出格式

散文段落，语气友好。请勿使用子弹点罗列操作步骤。

停止规则

若缺少必要信息，只询问一个最小关键问题，绝不可一次性索要多个字段。

优秀的提示词绝非一条精细的路径规划图，它只需要你说明目标、边界和成功标准，执行路径则由模型自主决定。过度的指令，实质上是对模型强大能力的浪费。

参考来源：OpenAI官方文档 https://developers.openai.com/api/docs/guides/prompt-guidance#suggested-prompt-structure