这里有一个思想实验。想象你向同事发送了一条Slack消息：
“嘿，你有空的时候能帮我看看这个吗？我只是想确保一切都没问题。”
现在想象你把同样的内容粘贴到ChatGPT中。
两者都会给你一些回复。但都不是你需要的。因为问题不在于受众。问题在于信息本身。
整个“提示工程”行业建立在一个错误的前提之上：与大模型交流需要一种特殊的技能，不同于与人交流。其实不是这样的。从ChatGPT获得良好结果的技术——明确的意图、具体的限制、结构化的请求、具体的例子——与人类历来获得良好结果的技术是一样的。我们只是懒惰了，因为人类会通过社会推理来填补空白，而大模型不会。
解决问题的方法不是学习两种沟通方式。而是学习一种好的沟通方式。
你想象中的差距其实很小
人类通过语气、上下文和关系历史来推断你的目标。大模型做不到。这就是区别。但这里有一个事实：人类推断是不完美的。他们经常猜错。他们误解你的意思，回答错误的问题，给你一些你没有要求的东西。你在每次本可以是邮件的会议中都经历过这种情况。
失败模式是一样的。只是大模型处理得更快。
当一个同事给你一大段文字而没有明确的要求时，你最终会弄清楚他们想要什么——可能是通过问澄清问题，也可能是通过猜测。大模型也会做同样的事情，只是它的“猜测”是一个所有可能回复的概率分布，如果没有明确的信号，它会默认给出最通用的合理答案。人类则会默认给出最善意的合理解释。两者都会偏离目标。
因此，修复大模型沟通的技术同样可以修复人类沟通。只是修复得更快。
六个适用于任何场景的好习惯
这些不是提示工程的技巧。而是每个优秀的技术写作者、军事通信员和有效管理者都已掌握的沟通基本原则。
1. 以请求开头
将请求放在顶部，背景信息在后。这就是军事中的BLUF方法——直接明了，从头开始。从底部向上。
模糊不清： “我们已经为这个项目工作了三个月，客户一直在改变主意，团队压力很大，我需要帮助确定时间表。”
清晰明了： “我需要帮助调整项目时间表。客户在三个月内两次更改范围；团队已满负荷。我需要一个考虑可能第三次范围变更的六周计划。”
在Slack和ChatGPT中都适用。两个受众都希望在发现你真正需要什么之前不需要阅读三段文字。
2. 给出足够的背景信息，然后停止
人类在你长篇大论时会失去注意力。大模型在长输入中会分散注意力——随着上下文的增长，模型的注意力会逐渐减弱，这是一个经过充分验证的变压器注意力机制的特性。为特定请求提供必要的背景信息。如果你写给同事，不会包括他们的整个工作历史。同样不要写给大模型。
两者的最佳点都是一到三句话的背景信息，然后是请求。
3. 用具体词汇替换模糊词汇
“让它更好”对人类同事和大模型都是无用的。“将第1段缩短为两句话，并在第3段后添加一个具体的例子”对两者都有效。
失败的词汇：更好、更漂亮、更专业、改进、增强、好、坏。这些是主观的质量标记，对不同的人和不同的模型运行有不同的意义。
无论你是与设计师还是与Claude交流，解决方案都是相同的：具体说明“更好”的含义。“更专业”变成“去除随意的措辞，替换缩写，添加正式的问候语”。“更吸引人”变成“在开头添加一个令人惊讶的数据，并将段落缩短为三句话”。
具体性是一种肌肉。你与大模型练习得越多，与人类沟通时这种能力就越自然。
4. 将限制作为创意工具
“写点好东西”会让人感到困惑。“写一个150字的产品描述，风格：讽刺且低调”则会让人感到自由。
限制帮助人类集中注意力，给大模型一个明确的目标。150字的限制不是限制——而是一个框架。它告诉写作者（无论是人类还是机器）你确切需要什么样的输出。创意简报加上限制是良好的提示。良好的提示是有效的创意简报。结构相同，功能相同。
5. 展示，而不仅仅是告诉
“如上所示：[示例]”是存在的最强大的沟通工具。在设计审查中，它被称为建模。在大模型研究中，它被称为少量示例提示。机制相同，结果相同。
一个好例子可以替代一段描述。对不能想象你意思的同事有效。对从概率分布中解读你意图的大模型有效。示例锚定了抽象概念。它们消除了歧义。它们是通用的消歧工具。
6. 通过对话迭代
你很少能在第一次请求中得到完美的答案。你会跟进，澄清，重新定向。对大模型也这样做。
“这很好，但：语气太正式——让它更口语化。第三点换成关于成本节约的内容。”对两个受众都适用。你越精确地重新定向，需要的回合数就越少。
不要花20分钟精心构建完美的提示。陈述你的意图，提供关键背景，发送出去。评估返回的内容。精确地重新定向。认识到何时停止——边际收益是真实的，到了某个点，你将90%完成的输出自己润色一下。
四秒过滤器
在向任何人或大模型提出任何请求之前，先在脑海中跑过这四个问题。一周内它会变得自动化。
我真正需要什么？ 区分你想要的结果和即将提出的请求。有时你即将提出的请求并不能服务于结果。
听众需要知道什么——而且仅此而已？ 剪掉不相关的背景信息。如果你的同事已经了解项目背景，不要重新解释。如果你是第一次与大模型交流，只包括这次请求所需的背景信息。
这可能会被误解吗？ 检查是否有模糊的代词（“把它改改”）、模糊的范围（“整个东西”）和模糊的质量词汇（“好”、“专业”）。替换它们。
我如何知道我得到了我想要的？ 有一个成功标准有助于你评估回复。它也迫使你使请求足够精确，以便可以得到一个好答案。
事前与事后
这些示例展示了相同意图的两种表达方式。“事后”版本无论发送给Slack中的同事还是粘贴到大模型中都效果相同。
模糊不清： “你能看看我的演示文稿并告诉我你的看法吗？”
清晰明了： “你能审查这个演示文稿中的第4到第7页吗？我担心非技术受众的数据故事不够清晰。标注任何可能混淆的地方，并建议需要重新结构的部分。”
模糊不清： “我在阅读竞争对手X的新功能时，想起了我们上个季度的想法，我认为我们应该重新考虑一下，你对此有什么看法？”
清晰明了： “我想重新审视我们第三季度的功能想法——竞争对手X刚刚推出了类似的东西。你能起草一份一页的比较，比较他们的方法与我们的方法，以便我们可以决定是否重新优先考虑吗？”
模糊不清： “写点东西放在首页。”
清晰明了： “为我们的首页撰写一个英雄部分。受众：从未使用过自动化的小企业主。语气：自信但不正式。标题最多40个字，副标题20个字。”
每个“清晰明了”的版本都使用了相同的技巧：明确的意图、具体的限制、定义的受众、具体的格式。没有提示工程。只是清晰的思考表达得更清晰。
实际上只有一项差异
人类与大模型沟通之间唯一有意义的差异在于可以假设的共享背景知识量。与亲密的同事交流时，你可以用“通常的做法”而他们知道你的意思。与大模型交流时，你需要说明“通常的做法”。
但这里有一个事实：人类之间的差异比“人类”和“大模型”作为类别之间的差异更大。新入职的员工也不了解你的“通常做法”。你正在简报的合同工不共享你的团队的行话。要求总结的高管与要求相同事情的工程师有不同的背景。
优秀的沟通者已经根据每个受众调整了背景知识。对于大模型，你只需调整为“没有先验背景知识”——这也是你与任何新合作者交流时会做的事情。
这对大模型之外的人有何意义
“提示工程”时代的讽刺之处在于，它意外地教会人们更好地沟通。从ChatGPT获得良好结果的技术——明确意图、具体、结构化请求、给出示例——与使电子邮件更清晰、会议更短、Slack消息更具有行动性的技术是相同的。
你不是在学习一种新的语言。你是在磨练你已经使用的语言。
最好的沟通者总是这样做。他们以请求开头。他们规定限制。他们给出示例。他们按请求编号。当第一次回复错过目标时，他们会迭代。他们会根据风险调整细节水平。
现在其他人也在赶上。因为事实证明，当你的对话伙伴没有任何社会推理能力——无法读取你的语气、猜测你的意图或填补你的空白——你必须说出你真正想要的。
而这对每个人来说都是很好的练习。
一个要开始的习惯
如果你从中学到任何东西：在第一句话中始终陈述你的意图。不是背景。不是上下文。不是前言。意图。
“我需要帮助在X和Y之间做出决定。” “我需要对头部设计提供反馈。” “我正在探索React和Vue，并需要一个优缺点比较。”
一旦这成为习惯——这大约需要一周时间——添加下一个习惯：规定一个限制。然后是下一个：给出什么是好的示例。一个月内，你的电子邮件会更好，你的会议会更短，你的Slack消息会更快回复，你的大模型对话会产出更好的结果。
所有这些都是从同一套习惯中来的。一个声音。每个听众。