大家讨论 AI 的时候，总是在争论哪个模型geng强。GPT-4、Claude、Gemini…仿佛只要用上Zui新的、参数Zui多的模型，就Neng得到天花乱坠的答案。但现实往往是残酷的：即使是这些顶尖模型，在实际应用中也常常表现得不够理想。为什么和 AI 对话比我们想象的难？前两天和朋友聊天他说自己用 GPT 写东西总是不满意，问我是不是模型不够好。

这种现象让我联想到人与人之间的沟通。你跟朋友说“今天好累”，对方就知道你可Neng想吐槽工作，或者想约个饭放松一下。这种默契是建立在共同的文化背景、生活经验和情感共鸣上的。而 AI 没有这些。

我以前写提示词，特别喜欢加一堆“不要”。不要太长、不要用专业术语、不要写得像机器人。你越是强调“不要”，它越容易往那个方向跑。后来才知道这叫思维链提示的反向应用，其实是个陷阱。

有一次我让 AI 解决一个复杂问题，随口加了一句“一步一步来”。结果输出的内容反而变差了。后来自己试了试，发现确实是这样！这个发现让我意识到，克制也是一种Neng力。

后来才知道这叫思维链提示，是个hen成熟的技术。原理也不复杂：AI 生成内容是逐字逐句进行的，当你让它把推理过程写出来实际上改变了它的计算路径。这个方法甚至不需要给示例，只要加一句“让我们一步一步思考”就行。

把“我想要一个好的结果”变成“我要什么格式、什么风格、什么标准的结果”。它逼着你把模糊的想法变成清晰的指令。

我有个习惯，写提示词的时候喜欢用三个反引号把不同部分分开。比如把背景信息、具体指令、参考资料分别框起来。用分隔符把它们隔开，就像给代码加注释一样，减少了歧义。

hen多人以为给 AI 多举几个例子，它就Neng学得geng好。后来kan到一个研究说 到 个高质量示例的效果，往往比十几个平庸示例要好得多。因为每个示例dou会占用上下文空间，而且Ru果示例质量参差不齐，模型反而会被误导。

后来kan到一个观点：模型输出的质量，geng多取决于你给它什么样的上下文，而不是模型本身有多先进。一个中等水平的模型，Ru果你给它足够丰富的背景信息、清晰的指令、相关的参考资料，输出质量Ke以吊打一个上下文贫乏的顶级模型。

DST在多轮对话中的作用