Prompt 写法

人类自然语言的写法，不完全等于适合 LLM 的写法。
对人类自然的表达，很多是在处理社交关系；对模型更有效的表达，重点是让目标、约束和结构更清楚。

为什么 prompt 写法和自然语言习惯不一样

人和人说话时，很多冗余信息是有社交价值的：

• 礼貌
• 缓冲
• 语气
• 暗示
• 省略

但对 LLM 来说，更重要的通常是：

• 目标明确
• 约束明确
• 结构明确
• 示例明确
• 输出格式明确

自然语言习惯里最常见的低效写法

1. 礼貌很多，约束很少
2. 需求藏在长段落里
3. 省略关键边界条件

更适合 LLM 的 prompt 习惯

通常更稳的写法是把信息拆出来：

任务：总结下面内容
目标：给出 3 条结论
限制：每条不超过 20 字
输出格式：Markdown 无序列表
输入：...

同样一个意思，口语 prompt 和结构化 prompt 差很多吗

用 DeepSeek tokenizer 实测：

写法	token 数
你好，麻烦你帮我把下面这段文字总结一下，最好分成三点，谢谢。	18
任务：总结下面内容\n要求：3条\n每条不超过20字	15

Agent prompt 再往前走一步

写法	文本	token 数
口语版	你好，麻烦你帮我把下面这段文字总结一下，最好分成三点，谢谢。	18
结构化版	任务：总结下面内容\n要求：3条\n每条不超过20字	15
Agent 版	任务：阅读 docs/api.md\n步骤：提取关键接口；归纳错误点\n输出：JSON\n约束：不要编造	26

这张表最值得注意的是：

• 结构化版更紧凑，也更稳
• agent 版 token 更多，因为它承担了 任务 + 步骤 + 输出协议 + 约束

对 LLM 来说，哪些自然语言细节特别重要

• 是否明确说了“你要做什么”
• 是否明确说了“不要做什么”
• 是否给了输出格式
• 是否给了优先级
• 是否给了边界条件
• 是否把示例和正文清楚分开
• 是否用分隔符隔开输入材料和指令

结论

• 写给人看的自然语言，不一定是写给模型看的好 prompt
• 单轮任务更适合结构化写法
• agent 任务通常需要更多 token，不是为了“好看”，而是为了稳定执行