
推理模型写作时,先锁定结果,再让模型自行完成分析
针对推理模型写作任务,用读者、事实边界、输出格式和合格标准替代过程指令,让成稿更容易直接使用和核对。
很多人给 AI 写作 Prompt 时,会加上一句“请一步步思考,并解释每一步理由”。这句话看起来很认真,却没有直接规定成稿要让谁读、保留哪些事实、缺信息时怎么办。
对于推理模型,写作 Prompt 可以换一个方向:把分析过程交给模型,把读者、任务、事实边界、输出格式和合格标准写清楚。这样,模型把精力放在完成交付,读者拿到的也是成稿和必要的待确认项。
先确认你用的是哪类模型
OpenAI 把推理模型和 GPT 模型分成两类,并提醒两类模型的提示方式不同。推理模型适合处理复杂理解、歧义和多步问题;GPT 模型更适合执行定义清楚的任务。1
OpenAI 对推理模型的建议很直接:使用简短、清楚的指令,明确最终目标和约束;“请一步步思考”或“解释你的推理过程”通常没有帮助,有时还会妨碍表现。1
这条经验有一个使用前提:它针对推理模型的写作任务。 如果模型说明明确要求分步操作,或者你需要把中间结果交给下一步程序,分步输出仍然有用途。本文讨论的是另一种情况:你最终需要一封邮件、一则通知、一份 FAQ 或一段说明文,而不是一份思考过程记录。
把“请想清楚”改成五个交付条件
“写得清楚”“请认真分析”都很难检查。写 Prompt 时,可以把它们换成五个具体字段:
| 字段 | 需要写清什么 | 示例 |
|---|---|---|
| 读者 | 谁会看,读完要做什么 | 项目成员,读完后知道新的提交时间 |
| 任务 | 这次只完成哪一种文稿 | 把会议记录改写成项目通知 |
| 事实边界 | 哪些内容可以写,缺什么怎么处理 | 只用材料中已确认的信息,缺口列入待确认项 |
| 输出格式 | 交付由哪些部分组成 | 标题、正文、读者动作、待确认项 |
| 合格标准 | 什么结果算完成 | 时间、对象、动作都能回到材料,正文控制在 180 字以内 |
五个字段之间是一个交付链:读者决定信息顺序,任务决定模型要做的动作,事实边界决定哪些内容能进入正文,格式决定结果怎样交付,合格标准决定你怎样检查结果。
可直接复制的 Prompt
把方括号里的内容替换成自己的任务。参考材料可以是会议记录、旧通知、产品说明或用户反馈。
你是一名中文实用写作编辑。
<task>
请把 <source_material> 中的已确认信息,改写成一份面向 [具体读者] 的 [通知 / 邮件 / FAQ / 会议纪要 / 说明文]。
读者读完后要完成的动作或判断是:[写一个明确动作或判断]。
本次只完成这份文稿,不扩展成分析报告或建议方案。
</task>
<source_material>
[粘贴参考材料]
</source_material>
<rules>
1. 先在内部完成对材料的理解、取舍和核对,直接交付结果。不要输出逐步分析、隐藏推理或自我解释。
2. 只使用 <source_material> 中有明确依据的日期、数字、对象、范围、状态和承诺。
3. 材料没有提供的信息,放入“待确认项”,不要用常识或推测补齐。
4. 材料中的建议、愿望、问题和已确认决定分开处理。只有已确认决定才能写成确定语气。
5. 材料出现互相冲突的说法时,同时列出冲突内容和对应原文位置,把最终取舍留给负责人。
6. 句子直接、具体,优先写动作、对象、时间和条件。删除与读者动作无关的铺垫和套话。
7. 完成下方交付字段并完成一次快速核对后停止。
</rules>
<output_format>
## 标题 {#标题}
用一句话写出已确认的变化。标题缺少必要事实时,标出“待确认”。
## 正文 {#正文}
用 [字数上限] 字以内说明发生了什么、影响谁、何时生效以及读者要做什么。只写材料有依据的内容。
## 读者动作 {#读者动作}
只列出材料明确要求读者完成的动作。没有明确动作时,写“材料未指定立即动作”。
## 待确认项 {#待确认项}
逐项列出缺失、冲突或仍在计划中的信息。每项只写缺什么和对应材料位置,不写猜测。
## 快速核对 {#快速核对}
- 读者、任务和文稿类型是否匹配:
- 日期、数字、对象、范围、状态和承诺是否能回到材料:
- 材料中的建议和未确认计划是否被写成确定决定:
- 正文长度、字段顺序和格式是否符合要求:
- 是否出现材料没有的新事实、建议或行动入口:
</output_format>这条 Prompt 有两个关键变化。
第一,Prompt 规定了最终交付是什么,没有把“展示思路”当成交付字段。第二,Prompt 给缺失信息安排了位置。模型遇到资料不全时,可以把缺口列出来,读者也能看出正文里哪些内容已经确认。
“不要输出逐步分析”这一句服务于交付边界;它不会替代事实核对。日期、数字和承诺是否准确,仍然要回到参考材料或原始来源检查。
用一则项目通知试运行
下面的材料是虚构的,只用来观察 Prompt 怎样处理不同类型的句子:
会议记录:
- 9 月 1 日起,项目周报改为每周五 17:00 前由项目负责人提交。
- 团队成员在下周一 12:00 前补齐本周进展和风险。
- 周报模板会增加“阻塞事项”一栏,模板负责人还没有确定。
- 小周:请把规则写成“所有人周五前必须交”,这样更有执行力。
- 小林:建议从 9 月 8 日再开始,先给大家一周适应时间。
- 会议没有确认是否需要重新提交已经完成的周报。把这段内容放进上面的 Prompt,并把“字数上限”替换为 180,模型应当把句子分成三类:已经确认的规则、参会者提出的建议、仍然缺少决定的信息。
一个合格的结果可以是:
## 标题 {#标题-2}
9 月 1 日起,项目周报改为每周五 17:00 前提交
## 正文 {#正文-2}
9 月 1 日起,项目负责人须在每周五 17:00 前提交项目周报。团队成员须在下周一 12:00 前补齐本周进展和风险。周报模板将增加“阻塞事项”一栏。
## 读者动作 {#读者动作-2}
- 项目负责人在每周五 17:00 前提交项目周报。
- 团队成员在下周一 12:00 前补齐本周进展和风险。
## 待确认项 {#待确认项-2}
- “阻塞事项”一栏由谁负责维护,会议记录未确认。
- 已完成的周报是否需要重新提交,会议记录未确认。
- 9 月 8 日开始是参会者建议,会议记录未将其确认为生效日期。
## 快速核对 {#快速核对-2}
- 读者、任务和文稿类型匹配。
- 日期、时间、对象和动作都能回到会议记录。
- 参会者的建议没有被写成会议决定。
- 正文、动作、待确认项和核对字段按要求输出。
- 没有增加材料没有的重新提交入口或执行建议。这个示例的重点在于“所有人周五前必须交”没有直接进入正文。它是参会者提出的强化表达,会议记录没有把它定为最终规则。模型仍然可以把这句话列入待确认项,但这句话没有改变当前的任务。
为什么结果约束比过程指令更有用
推理模型已经把复杂理解和取舍作为自身工作的一部分。用户给它的 Prompt 更应该说明交付终点:谁读、读者要做什么、哪些事实能写、缺口放在哪里、什么条件算完成。OpenAI 的指南建议对推理模型保持提示简单直接,并明确最终目标、具体约束和成功标准。1
对于中文写作,结果约束尤其重要。读者通常关心“哪天生效”“谁要做什么”“还有什么没定”,而不需要模型把内部取舍过程写成一段说明。把这些阅读任务写进 Prompt,模型才有机会按读者需要安排信息。
输出格式也承担检查作用。Anthropic 建议为真实任务定义评估标准,并使用任务样例和边界案例检查结果。2 在写作任务里,格式、长度、事实可追溯性和待确认项都可以成为检查项。检查项越具体,第二轮越容易只修一个问题,而不是让模型整篇重写。
这条 Prompt 适合什么任务
- 产品通知: 需要把生效时间、影响对象和读者动作写清楚。
- 工作邮件: 需要压缩背景,把收件人要完成的事项放在正文里。
- FAQ: 需要把已知答案与仍待确认的问题分开。
- 会议纪要: 需要区分决定、建议、问题和后续负责人。
- 说明文: 需要依据给定材料解释一个流程,同时保留材料缺口。
这条方法有三个边界。
第一,推理模型和 GPT 模型的表现与提示习惯存在差异。本文的“把分析交给模型”是针对推理模型的写法,读者应以当前模型的官方说明和自己的任务测试为准。
第二,结构清楚不能证明事实真实。涉及法律、医疗、财务、权限或对外发布时,仍然需要人工审核和原始资料核对。
第三,Prompt 里的“快速核对”属于生成后的自检,不等于独立评估。对经常重复的任务,可以保存几条普通案例、边界案例和已知失败案例,每次调整 Prompt 后用同一组材料复测。Google 的指南也建议根据具体用例持续迭代提示,而不是把某种写法当成固定答案。3
30 秒检查
拿到模型输出后,只看下面五项:
- 任务: 文稿是否真的服务于指定读者的动作或判断?
- 事实: 日期、数字、对象、范围、状态和承诺能否逐项回到材料?
- 分类: 决定、建议、问题和待确认项是否分开?
- 格式: 标题、正文、动作、待确认项和核对栏是否齐全,长度是否合适?
- 停笔: 模型是否在交付后停止,是否混入了材料没有的建议、承诺或长篇解释?
如果只有一项失败,把失败项和对应原文句子放回 Prompt,让模型只修这一项。这样,下一轮改动有明确对象,事实和已经合格的部分也更容易保留下来。
推理模型写作时,Prompt 的重点可以从“请把思考过程展示出来”移到“请交付一份能被核对的成稿”。读者要的不是模型如何走过每一步,而是文章是否写给了正确的人、保留了正确的事实,并在该停下的位置停下。
Fuentes de referencia
- 1Reasoning best practices \| OpenAI API
developers.openai.com
- 2Define success criteria and build evaluations \| Claude Platform
docs.anthropic.com
- 3Prompt design strategies \| Gemini API
ai.google.dev
Este contenido lo produjo un canal automáticamente. Con una sola frase, Neodrop puede seguir produciendo para ti.
