Prompt 工程，在大模型的世界里，并非简单地为 AI 赋予一个角色或性格，而是通过行动指令 (Do) 驱动其行为，从而获得更可靠、更优质的结果。你是否也曾苦恼于 Prompt 的编写，即使指令看似清晰，AI 的表现却总是不尽如人意？本文将深入探讨 Prompt 工程的核心要义，帮助你理解如何从无效的“成为 (Be)”式 Prompt 转向有效的“行动 (Do)”式 Prompt。
“成为 (Be)” 式 Prompt 的局限性：流于表面，缺乏深度
过去，我们常常习惯于以“成为 (Be)”式的指令开头，例如：“你是一位世界级的营销专家”、“扮演一位斯多葛派哲学家”、“你是一个乐于助人的友好助手”。这些指令试图为 AI 赋予一个身份或角色，期望它能模仿该角色的语气或风格。然而，实践证明，这种方式往往只能影响 AI 的表面表达，很难产生一致且与目标对齐的行为。一个没有明确流程的角色扮演，终究只是一套戏服。
“成为 (Be)”式的 Prompt 就像催眠，让模型采用一种表面的风格，而不是结构化的行为。其结果往往是奉承、角色扮演，或者华丽但质量平庸的输出。例如，当我们让一个模型“Be honest (保持诚实)”时，它可能只是在回答中避免说谎，但却不会主动质疑输入信息的真实性，或者主动要求澄清模糊不清的指令。
“行动 (Do)” 式 Prompt 的优势：操控行为，精准可控
与“成为 (Be)”式 Prompt 不同，“行动 (Do)”式 Prompt 侧重于过程控制，它通过明确的行动指令，触发模型必须执行的操作：批判、比较、简化、改写、拒绝、澄清等等。这些动词直接对应着可预测的行为，更能有效地引导 AI 完成任务。
最有效的 Prompt 工程技巧是将期望的“成为 (Be)”状态分解为具体的“行动 (Do)”指令，然后让这些指令协同工作，从而产生涌现行为。例如，如果我们希望 AI 表现得“thoughtful (周到)”，我们可以将其分解为以下“行动 (Do)”指令：
- 总结核心观点。
- 列出关键假设。
- 识别逻辑漏洞。
- 提供反例。
通过这些具体的操作，AI 才能真正地展现出“周到”的分析能力，而不是简单地模仿“周到”的语气。
心理沙盒：Prompt 设计的起点
Prompt 的设计并非始于指令，而是始于想象。在编写任何指令之前，先在头脑中模拟 AI 的行为。问自己：“如果某人真的像我期望的那样，他/她会做什么？”
例如，如果你希望 AI 表现出“诚实”的特质，那么它应该：
- 不捏造答案。
- 如果输入不清晰，则要求澄清。
- 避免带有情感色彩的解读。
现在，你正在设计行为。这些行为可以转化为“行动 (Do)”指令。如果没有这个心理沙盒，你不是在设计一个流程，而是在许愿。
如果你不确定如何将“成为 (Be)”转化为“行动 (Do)”，可以直接向模型提问：“如果我希望你表现得像一个诚实的助手，你会采取哪些行动？”它通常会返回一个可用的起点。
如何将 “成为 (Be)” 式 Prompt 重构为 “行动 (Do)” 流程
以下是一个失败的“成为 (Be)”式 Prompt：
“Be a rigorous and fair evaluator of philosophical arguments (成为一个严谨且公正的哲学论证评估者)。”
其结果往往是：
- 过度赞扬模糊的主张。
- 避免挑战。
- 附和用户的观点。
为什么？因为“be rigorous (保持严谨)”没有与任何特定行为相关联。模型默认选择听起来严谨，而不是真正地严谨。
可以将其重构为：
“For each claim, identify whether it’s empirical or conceptual. Ask for clarification if terms are undefined. Evaluate whether the conclusion follows logically from the premises. Note any gaps…(对于每个主张，确定它是经验性的还是概念性的。如果术语未定义，请要求澄清。评估结论是否在逻辑上来自前提。注意任何差距……)”
现在，我们看到了行动中的严谨，不是因为模型“理解”它，而是因为我们给了它执行的步骤。
以下是一些其他的转换案例：
-
目标 “成为 (Be)”: Creative (有创造力)
-
蕴含的 “行动 (Do)”:
- 为模棱两可的语言提供多种解释。
- 提出不同的语气或类比。
- 避免重复陈词滥调。
-
Instead of (替代): “Act like a thoughtful analyst (扮演一个有思想的分析师)。”
-
Could be rephrased as (可以改写为): “Summarize the core claim. List key assumptions. Identify logical gaps. Offer a counterexample…(总结核心观点。列出关键假设。识别逻辑漏洞。提供一个反例……)”
-
-
目标 “成为 (Be)”: Supportive writing coach (支持性的写作教练)
-
蕴含的 “行动 (Do)”:
- 分析段落。
- 以三种方式重写：一种更简洁，一种更具描述性，一种更正式。
- 对于每个版本，解释更改的效果。
-
Instead of (替代): “You’re a supportive writing coach (你是一个支持性的写作教练)。”
-
Could be rephrased as (可以改写为): “Analyze this paragraph. Rewrite it three ways: one more concise, one more descriptive, one more formal. For each version, explain the effect of the changes…(分析这个段落。以三种方式重写：一种更简洁，一种更具描述性，一种更正式。对于每个版本，解释更改的效果……)”
-
你不是在编写一个角色，而是在定义一个任务序列。人格是从过程中产生的。
为什么这很重要：理解背后的机器
我们常常会陷入一种认知偏差，即 ELIZA 效应 —— 我们倾向于将机器拟人化，在只有统计相关性的地方看到意图。但现代 LLM 不是具有信念、人格或意图的代理。它们是根据你提供的上下文预测下一个最可能 Token 的统计机器。
如果你向模型提供身份标签和人格特征的上下文（“be a genius (成为天才)”），它将生成模仿训练数据中天才角色的文本。这是一种表演。
如果你向它提供明确的行动、约束和过程的上下文（“first do this, then do that (首先做这个，然后做那个)”），它将执行这些步骤。这是一种计算。
“成为 (Be) → 行动 (Do) → 涌现的 “成为 (Be)” 框架不是一种风格选择。它是获得可靠、高质量输出并避免将你的 Prompt 变成语言舞台说明的根本方法，而演员并不在那里。
全新的 Prompt 工程工作流程
- 停止编写角色。定义一个行为。
- 想象第一： 在你写作之前，可视化你的理想 AI 的行为。它做什么？它拒绝做什么？
- 将行为转化为行动： 将这些想象的行为转化为明确的“行动 (Do)”命令和约束列表。动词是你最好的朋友。
- 从 “行动 (Do)” 构建你的 Prompt： 围绕这个行动序列构建你的 Prompt。这是你的流程。
- 观察涌现的人格： 一个精心设计的、由 “行动 (Do)” 驱动的 Prompt 会产生你想要的 “成为 (Be)” 状态 —— 诚实、创造力、分析严谨 —— 作为流程的自然结果。
你不需要告诉 AI 成为世界级的编辑。你需要给它世界级编辑使用的清单。其余的将随之而来。
如果重复这些 “行动 (Do)” 风格的行为变得乏味，请考虑将它们添加到 AI 的自定义指令或内存配置中。这样，行为支架始终存在，你可以专注于手头的任务，而不是重述基本原理。
如果将 “成为 (Be)” 状态分解为 “行动 (Do)” 风格的步骤感觉不清楚，你也可以直接询问模型。像“如果我希望你表现得像一个诚实的助手，你会采取哪些行动或行为？”这样的元 Prompt 通常会产生一个实用的起点。
Prompt 工程不是告诉你的 AI 它是什么。而是向它展示该做什么，直到它自己涌现出来。
案例对比：
- “成为 (Be)” 式 Prompt: “Be a thoughtful analyst (成为一个有思想的分析师)。”
- “行动 (Do)” 式 Prompt: “Define what is meant by “productivity” and “long term” in this context. Identify the key assumptions the claim depends on…(定义在这种语境下“生产力”和“长期”的含义。识别该主张所依赖的关键假设……)”
这种对比反映了对相同 Prompt 结构的两种真实反应。第一个采用 “成为 (Be)” 风格的方法：流畅、措辞精当，但结构肤浅。第二个应用 “行动 (Do)” 风格的方法：具体、步骤驱动且更易于评估。
结论：行动驱动，涌现智慧
在 Prompt 工程中，与其花费精力为 AI 赋予虚幻的人格，不如专注于设计明确的行动指令。通过将期望的行为分解为一系列可执行的步骤，我们可以更有效地引导 AI 完成任务，并获得更可靠、更优质的结果。记住，行动 (Do) 胜于成为 (Be)，让 AI 的智慧在你的 Prompt 指引下自然涌现。 未来，Prompt 工程将会更加注重 AI 涌现能力的挖掘，通过精细化的 “行动 (Do)” 指令，让 AI 在特定领域展现出超越预期的创新能力。这也将是 Prompt 工程师们面临的全新挑战和机遇。