我做了20组Prompt反例实验，有6组结果让我彻底傻眼

"给Prompt加反例，AI就会更听话。"

这句话我信了将近半年。直到有一次，我在一个角色扮演任务的Prompt里认认真真写了三条反例——"不要用这种语气"、"不要出现这类措辞"——结果模型输出的对话，读起来像一个被反复纠正到神经质的客服机器人，僵硬、小心翼翼，完全失去了我想要的那种自然感。

那一刻我意识到：关于Prompt反例的那套"万能说法"，可能根本没人认真验证过。

于是我花了两周时间，设计了20组对比实验，覆盖四类主流任务场景，控制变量只有一个——有没有加反例。结论比我预想的复杂得多，也实用得多。

先给你一个反直觉的剧透：20组实验里，有6组加了反例之后，输出质量反而下降了。

---

第一章：实验设计，先说清楚怎么测的

我不想让这篇文章变成"我随便试了几次，感觉好像有点用"。所以先把实验设计透明公示，你可以判断这个结论值不值得信。

选了三个模型做横向覆盖：

• GPT-4o（主力测试模型）
• Claude Sonnet 4.6
• Deepseek V3（代表国产主流，且在8848AI平台完全免费可调用）

20组任务按四类场景分配：

每组任务输出由两位评审盲评（不知道哪个是有反例版本），按以下维度打分：

## 输出质量评分表（满分100）

任务完成度（40分）
是否完成核心目标           0-20
是否符合格式要求           0-10
是否避免了明显错误         0-10

输出质量（40分）
准确性 / 相关性            0-20
表达流畅度                 0-10
细节丰富程度               0-10

负面指标（-20分上限）
刻意回避导致的僵硬感       0-10（扣分项）
过度谨慎导致的信息缺失     0-10（扣分项）

每组实验：同一Prompt基底，A版本无反例，B版本加入1-3条反例，其余完全相同。跑3次取平均分，最终比较A/B得分差值。

---

第二章：核心数据——分场景看结论

场景一：分类/打标任务——反例效果最显著

这是反例帮助最明显的场景，没有之一。

6组分类任务里，加了反例的版本平均得分提升幅度明显，尤其在"边界模糊样本"上的正确率提升最突出。

以情感分类为例，原始Prompt是：

判断以下评论的情感倾向：正面、负面或中性。
评论：「这个产品还行吧，凑合用。」

无反例版本：模型大概率判为"中性"，但有时会判为"正面"（因为"还行"在训练数据里偏正面语境）。

加了反例之后：

判断以下评论的情感倾向：正面、负面或中性。

反例：
「还不错，就是有点贵」→ 不应判为"正面"，这类含保留意见的表达应判为"中性"
「凑合能用」→ 不应判为"负面"，这是典型的中性表达

评论：「这个产品还行吧，凑合用。」

模型对边界样本的判断稳定性明显提升。原理很直接：分类任务的核心是划定边界，反例直接告诉模型"这条线在哪里"。

💡 结论：分类/打标任务，强烈建议加反例，重点放在边界模糊的case上，而不是显而易见的正例。

---

场景二：创意写作——反例几乎没用，有时有害

5组创意写作任务，加反例的版本平均得分与无反例版本几乎持平，但有2组出现了明显下降。

下降的原因很有意思：模型在努力"不像反例"，导致输出变得刻意。

以广告文案为例，我在Prompt里加了一条反例：

反例（不要写成这样）：
「本产品采用先进技术，品质卓越，值得信赖。」

结果模型输出的文案，开始刻意回避所有"技术感"词汇，转而堆砌情感词，读起来像是另一个方向的套话。

评审的原话是："感觉这个文案在努力表演'不像那个反例'，而不是在认真写文案。"

💡 结论：创意写作任务，跳过反例，把精力放在正向描述"想要什么风格"上，效果更稳定。

但代码场景的结论，又把这个规律打破了一半……

---

场景三：代码生成——反例有效，但有上限

代码任务的结论是最微妙的：加1-2个反例有帮助，超过2个之后边际效益归零，甚至开始下降。

有效的场景集中在边界条件处理。比如写一个处理用户输入的函数，无反例版本经常忽略空字符串、None值等边界情况。加一条反例之后：

# 反例：不要只处理正常输入
错误示范：
def process_input(text):
return text.strip().lower()
问题：没有处理 None 和空字符串的情况

模型会主动在生成代码里加入边界检查，这个提升是实质性的。

但当我把反例增加到3条时，模型开始出现"防御性过度编程"——加了大量防御性代码，函数逻辑变得臃肿，可读性下降。评审的评价是："这个函数感觉是被吓到了。"

💡 结论：代码生成任务，1-2条针对边界条件的反例有效，不要贪多。

---

场景四：角色扮演/对话——反例是最大的坑

这是下降最明显的场景，4组里有3组加了反例后得分下降。

核心问题：负面案例会"污染"模型的语气基调。

我在一个客服角色扮演的Prompt里加了：

反例（不要用这种语气）：
「您好，请问有什么可以帮助您的？我们会尽力为您服务。」
（原因：太程式化，缺乏温度）

结果模型输出的对话，开始刻意避开任何"服务性"措辞，语气变得过于随意，失去了客服应有的专业感。

更麻烦的是：在多轮对话里，这种"语气污染"会被模型持续放大。第一轮还只是有点奇怪，第三轮开始，整个对话风格已经偏离到难以挽回的程度。

💡 结论：角色扮演和多轮对话任务，避免使用反例。用正向描述替代，例如"用自然、有温度但不失专业的语气"。

---

第三章：为什么会这样？机制推测

把四个场景放在一起看，有一个底层逻辑可以解释大部分现象：

反例的作用是收窄负向空间——告诉模型"这个区域不要去"。这在任务本身需要"精确落点"的时候非常有效（分类任务、有边界条件的代码任务）。

但当任务本身需要模型"发散"时（创意写作、自然对话），收窄边界是反效果的。模型的注意力从"找到最好的输出"变成了"避开被标记的区域"，而这两件事在发散性任务里是矛盾的。

用一个类比：你让一个厨师做一道创意菜，告诉他"不要放葱"，他可能会做出一道好菜。但如果你告诉他"不要放葱、不要用爆炒、不要做成汤、不要太辣"——他接下来的精力大半会花在"我到底还能做什么"上，而不是"我怎么把这道菜做得最好"。

---

第四章：一张决策图——你的任务该不该加反例

根据实验结论，我整理了一个判断框架：

你的任务该不该加反例？
│
├─ 任务是否需要"排除特定错误模式"？
│   ├─ 是 → 继续往下判断
│   └─ 否 → 不加反例，用正向描述替代
│
├─ 输出是否有强格式/分类约束？
│   ├─ 是（分类、结构化输出）→ 加反例，重点放在边界模糊case
│   └─ 否 → 继续往下判断
│
├─ 任务是否允许模型自由发挥？
│   ├─ 是（创意写作、角色扮演）→ 不加反例
│   └─ 否（代码、格式化文档）→ 可以加，但不超过2条

三条可直接使用的Prompt模板

你是一个内容分类助手。请判断以下文本的情感倾向：正面、负面、中性。

判断标准：
正面：明确表达满意、喜爱、推荐
负面：明确表达不满、抱怨、差评
中性：含保留意见、客观陈述、模糊表达

反例（这类表达应判为"中性"，不要判为正面或负面）：
「还行吧，凑合用」→ 中性
「不算太差，但也没多好」→ 中性
「就这样，没什么特别的」→ 中性

待分类文本：{text}

请用Python实现以下函数：{function_description}

要求：
函数需要处理所有边界情况
代码简洁可读，不要过度防御性编程

反例（不要只考虑正常输入）：
错误示范 - 缺少边界处理：
def process(data):
return data[0]  # 没有检查data是否为空

请在实现中处理：空列表、None值、类型错误等情况。

请将以下内容整理为结构化的产品说明，格式严格按照示例。

输出格式：
【产品名称】xxx
【核心功能】xxx（不超过30字）
【适用人群】xxx
【注意事项】xxx

反例（不要输出成这种格式）：
❌ 产品名称：xxx，功能：xxx，适合xxx人群使用。
（原因：这是散文格式，不是结构化格式）

待整理内容：{content}

---

💡 想直接测试这3条模板的效果？

文中所有实验均通过 [api.884819.xyz](https://api.884819.xyz) 调用多模型接口完成——同一个Prompt可以同时跑GPT-4o、Claude Sonnet 4.6和Deepseek V3做横向对比，不用反复切换账号。新用户注册即送体验token，国产模型完全免费，没有月租。如果你也想复现本文的实验，这是目前成本最低的方式。

---

第五章：结论不是口诀，是一种理解

总结一下20组实验的核心发现：

但我不想让你记住这张表，因为表格会过时，理解不会。

下次在Prompt里准备写"不要……"之前，先问自己一句：我是在帮模型找到正确答案，还是只是在告诉它哪里不能去？

---

我已经在设计实验组了，初步数据已经出来一半，结论同样有点反直觉。欢迎在评论区告诉我你最想看哪个场景的数据——你的反馈会直接影响我的实验设计。

---

#Prompt技巧 #AI实验 #Few-shot #ChatGPT #Claude #8848AI #AI教程 #提示词工程