模型不会读心，它会「脑补」
当你只说「写一份通知」时，模型必须补齐约二十项未给出的信息：通知的缘由是什么、发给谁、事项有几条、语气是通知还是通报、要不要落款、篇幅多少。模型补齐的方向不由你的意图决定，而由训练语料中「通知」类文本的平均形态决定——于是你得到的是一份统计学上最典型的通知，而不是你想要的那一份。
这个现象称为意图坍缩：输入越稀疏，输出越靠近类别均值；输入越具体，输出越靠近你的真实意图。
把隐含需求分成三类
| 类型 | 判定方法 | 处理策略 | 示例 |
|---|---|---|---|
| 可省略 | 不写也不影响交付，且模型默认值合理 | 不写，但用一句话限定范围 | 普通通知无需写明字体字号 |
| 不可省略 | 模型猜错会直接导致返工 | 必须写进提示词 | 读者是公司中层还是外部客户 |
| 不可猜测 | 只有你知道的事实与数据 | 用变量占位，事后填值 | 具体金额、日期、文件编号 |
三个诊断问题
任何模糊需求，动笔写提示词之前先回答三问。回答不了的那一问，就是必须补充的「不可省略项」。
- 给谁看？决定专业深度、术语密度与语气。
- 在什么场景下被使用？决定长度与结构，邮件内嵌、会议宣读、张贴、归档的写法完全不同。
- 读完要做什么决定或动作？决定结论前置程度与行动项的粒度。
形容词是效率黑洞
「详细一点」「专业一点」「写得好一点」几乎不携带信息。模型只能按语料中的平均偏好去理解，而不同模型、不同版本对「详细」的尺度完全不同，导致输出每次都在漂移。正确做法是把形容词换成可验收的量化指标。
| 模糊表述 | 可验收表述 | 验收方式 |
|---|---|---|
| 详细一点 | 1200-1500 字，分 4 个一级小节，每节至少 1 个具体案例 | 数一下有没有 4 个小节 |
| 专业一点 | 使用行业术语，首次出现的缩写给出全称，全文不使用网络流行语 | 检索是否含口语词 |
| 语气正式 | 不使用感叹号与第二人称祈使句，主语以组织机构或事项开头 | 搜索感叹号数量 |
| 简洁 | 每段不超过 3 行，每条列表不超过 40 字 | 逐条测量 |
实操清单
- 写提示词前，先用三问把需求写成 3 行中文要点，而不是直接开始敲提示词。
- 凡是「必须包含」的内容写成编号清单；凡是「绝对不能出现」的内容也写成编号清单。
- 凡是具体数字、日期、人名、文件名，全部用【占位符】标记，交给模型生成骨架，人工填值。
- 把你最常用的一条提示词打印出来，逐句标注它属于五要素中的哪一项，缺哪项补哪项。