上過 AI 課，甚至可能還買過網上提示詞合集的你，是不是還在這樣寫提示詞？
像什么在提示詞里一步步拆解思維鏈，才能讓模型學會分步思考；要給幾個例題，幫助模型理解你的問題；還要引導模型 cosplay，讓模型給出更專業的答案等等的小技巧，不少差友應該也早就活學活用了。
沒錯，說的就是火鍋
但，這些曾經讓你事半功倍的神級提示詞，可能已經過時了。
這么說吧，在不知不覺的中，大模型其實已經分成了兩派：傳統通用大模型和推理大模型。
比如 GPT-o1，它可不是 GPT-4o 的直屬版本升級。4o 屬于通用大模型，o1 已經是推理模型了。
類似的，DeepSeek 默認使用的 V3 版本是通用大模型，點擊左下角深度思考按鈕使用的才是 R1 推理模型。
而在推理模型時代，越詳細的提示詞，反而可能會讓 AI 變更蠢。
比如 OpenAI 的官方文檔里，推理模型的專欄下，就明確表示，用過于精確的提示詞，或者是引導思考這類提示詞寫法，反而會讓回答效果下降。
他們甚至還直接建議，讓大家少用思維鏈提問。。。問題直接問就行。實在效果太拉垮了，再發具體例題，讓 AI 學習。
我們還翻了一下 DeepSeek-R1 的官方技術報告，他們在論文里也這么說：“DeepSeek-R1 對提示詞很敏感，舉例提示反而會降低模型表現。"
因此，為讓效果更好，他們建議用戶直接描述問題，別舉例子。
除了 GPT 和 DeepSeek，Claude 3.7 Sonnet 也在官方文檔中表示，比起那些看似很有邏輯，每一步都詳細列出具體做啥的提示詞，他們更希望你直接使喚它。
總結一下，和大伙們印象中提示詞越詳細，AI 效果就越牛的刻板印象不一樣，目前各大官方對自家推理大模型提示詞的共同建議，就是直接，簡潔，描述準確。
我們也嘗試著做了一個實驗，而最終的實驗結果同樣證明，過去非推理模型的古法提示詞，用到推理模型那里真的會讓性能下降。
我們從 leetcode 里面挑選了幾十道各種類型的困難題目，在 ChatGPT 上進行測試。咱們先按老法子寫了一段提示詞，比如暗示它做一名程序員、要進行思維鏈思考、還給出了大量示例等等等。。。
結果對于大部分題目，不論提示詞是長是短，推理模型 o1 都能給出正確的代碼，甚至能擊敗 70% 以上的人，可以說表現已經相當優秀了。
但是在 1147、471、458、1735、1799 這些題目中，o1 在老提示詞下失敗了。其中，有一題更是直接卡死，不想玩啦。
但當我們不讓它 cosplay，也不給例題，去掉思維鏈引導時，o1 這回居然在同樣的問題上又答對了。
所以，到底是啥讓昔日的提示詞小甜甜，在推理模型時代變成了牛夫人？
其實背后最主要的原因，是傳統非推理模型和推理模型的思考問題方式變了，而它們思考方式的變化源于訓練方式的不同。
傳統的大模型一般采用無監督學習和監督微調，也就是給個數據集，讓它自己去找規律。它的終極目標是根據提示詞，一個一個猜對回答里的所有字。
說人話就是，通用大模型能力很強，但沒啥子主見，這就比較吃用戶的操作了。你給的提示詞越詳細，越能讓大模型按照你的心意去做事。
但推理大模型不一樣，在原來的基礎上，它又加上了強化學習等基于推理的訓練方法。
這樣的訓練過程，會引導大模型盡量給出完整且正確的思維鏈，讓它能夠判斷這么想是不是對的。
這下模型本身就有很強的 “ 主見 ”，或者說是推理能力。你要是再一步步詳細地去教它做事，反而可能和它本身的推理能力沖突了。
比如我們在實驗中發現，用老提示詞讓 o1 解決一些數學相關的編程題目時，翻車概率尤其的高。
這有可能是因為提示詞只讓它做了一名 “ 資深程序員 ”，而不是 “ 數學很好的程序員”。
我們也翻了不少模型的官方文檔，它們給出的建議也基本都是別整花花腸子，提示詞簡單直接，并且準確最好。除此之外，可以強制延長推理時間，提示它 “ 多想想 ”，或者 “ 反思你的結果 ”。
一部分老辦法也還是好用的，比如適當用些符號，把問題的結構分分清楚，或者明確你的最終目標和結果格式。
這些辦法，都能讓推理模型的效果更秀更 6。
所以，適當放下助 AI 情節，講清楚你的需求，雙手插兜尊重 AI 操作，反而可能是最有效率的。
而我覺得隨著大模型能力的不斷進化，寫提示詞這件事的門檻，也肯定會越來越低。
但，要是問提示詞工程這手藝，會不會完全消失？我們也請教了一下曾寫出“漢語新解”等神級提示詞的大神李繼剛老師。
他是這么回答的：只要我們不同的輸入，還會帶來不同的輸出，那提示詞工程就一直都在。
最后，差評前沿部覺得，對我們這些用戶來說，隨著模型能力的加強，咱也應該更新一下提示詞的彈藥庫了，別再抱著那古早的過時提示詞，當個寶了。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
