分享我对科技、设计和开发的思考
当前显示 4 / 共 4 篇文章 • 116 个标签 • 按 #大模型原理 筛选
当 AI 频繁出错时，盲目叠加规则只会让提示词变得臃肿且逻辑冲突。本文提供了一套“7问自检清单”，帮助开发者通过排查指令长度、禁令位置、规则打架及参考文件一致性等问题，精准定位 Prompt 的结构性病因，实现从“反应式加规则”到“诊断式重构”的心智转变。
当 Prompt 因为不断追加规则而变得臃肿、导致 AI 注意力失焦时，我们需要像重构代码一样重构 Prompt。本文提供了一套“五步分层重构法”（分层架构、外置知识、参考文件一致性、指令三明治、结构化格式），帮助开发者有效管理长提示词。
本文揭示了在编写 Prompt 时使用“不要”、“严禁”等否定指令的弊端。通过剖析大模型的正向选择机制、粉红大象效应及训练本能，提出将“禁止黑名单”改为“正向白名单”的优化策略，从而有效提高 AI 执行的精准度。
本文通过一个两万行代码项目、耗时两周四遍重构失败的真实案例，深度剖析了AI面对冗长Prompt时“越强调越读不动”的4个底层原因（注意力U形曲线、静默择一、粉红大象效应、上下文淘汰赛），建议开发者放弃堆砌约束，给Prompt“瘦身”。
当我发布新文章时收到通知。不发垃圾邮件,随时可退订。
在浏览器中接收即时推送通知。
有项目想法吗？我目前可接受自由职业工作。
