常见陷阱

即使是经验丰富的提示词工程师，也会掉进一些常见的陷阱。好消息是：一旦认出这些模式，就很容易避开。本章逐一介绍最常见的陷阱，解释它们为什么会出现，并给出具体的规避办法。

编者注：原页面的提示词可以在页面上直接填写。本库改为纯文本：方括号 [ ] 标出要换成你自己内容的地方，括号里是说明，或原书给的示例值。

为什么了解陷阱很重要

掉进一个陷阱，强大的 AI 就可能变成让人头疼的工具。是否了解这些模式，往往决定了你会说“AI 对我没用”，还是“AI 改变了我的工作方式”。

模糊陷阱

表现：你心里清楚想要什么，就以为 AI 也明白。可是模糊的提示词只会得到模糊的结果。

改前（模糊的提示词）：

写一些关于营销的内容。

改后（具体的提示词）：

写一篇 300 字的 LinkedIn 帖子，讲品牌一致性对 B2B SaaS 公司为什么重要，目标读者是营销经理。语气专业而亲切。举一个具体的例子。

原因：我们觉得某些细节“显而易见”，就会自然地略过。但对你显而易见的事，对一个不了解你的处境、受众和目标的模型来说并不明显。

具体性改进器：把一个模糊的提示词改具体，看看补充细节后结果质量有什么变化。

我有一个写得太模糊的提示词，需要改进。

原提示词：“[你的模糊提示词]”

请补充以下内容，让它变得具体：
1. **受众**：谁会阅读/使用这个？
2. **格式**：应该有什么结构？
3. **长度**：应该多长？
4. **语气**：用什么口吻或风格？
5. **背景**：情况或目的是什么？
6. **约束**：有什么必须包含或必须避免的？

把这些细节都写进去，重写这个提示词。

过载陷阱

表现：你想在一个提示词里要到所有东西：全面、有趣、专业、适合初学者、又要有深度、要做 SEO 优化，还要简短。结果呢？AI 漏掉一半要求，或者写出一团乱麻。

改前（过载的提示词）：

写一篇关于 AI 的博客文章，要 SEO 优化，包含代码示例，要有趣但专业，面向初学者但也有高级技巧，应该是500字但要全面，提到我们的产品，还要有行动号召...

改后（专注的提示词）：

写一篇500字的博客文章，向初学者介绍 AI。

要求：
1. 清楚地解释一个核心概念
2. 包含一个简单的代码示例
3. 以行动号召结尾

语气：专业但平易近人

原因：怕来回沟通好几轮，或者想一次“把话全说完”。但信息过载对 AI 的影响和对人一样：互相打架的要求太多，就会顾此失彼。

• 限制要求数量：每个提示词只保留 3-5 个关键要求。例如：“专注于：受众、格式、长度、一个关键约束”
• 使用编号列表：有了结构，优先级一目了然。例如：1. 必须有 X，2. 应该有 Y，3. 最好有 Z
• 用提示词链：把复杂任务拆成几个步骤。例如：“首先：大纲。然后：起草第 1 节。然后：起草第 2 节。”
• 狠心排出优先级：哪些是必需的，哪些只是锦上添花？例如：如果我只能做好一件事，那会是什么？

学习提示词链

单个提示词装不下时，提示词链（原书第 11 章，本库未收录）往往就是解决办法：把复杂任务拆成一串目标单一的提示词，每一步都建立在上一步的结果之上。

假设陷阱

表现：你提到“之前”的内容，或者以为 AI 了解你的项目、公司或以前的对话。其实它并不知道。

改前（假设有上下文）：

给我之前发给你的那个函数加上错误处理。

改后（提供上下文）：

给这个函数加上错误处理：

```python
def calculate_total(items):
    return sum(item.price for item in items)
```

用 try/except 处理空列表和无效条目。

原因：和 AI 对话感觉像在跟同事聊天。但和同事不同，多数 AI 模型在不同会话之间没有长期记忆，每次对话都从零开始。

上下文完整性检查：发送前用它检查一下，提示词是否带齐了必要的背景信息。

检查这个提示词是否缺少上下文：

“[要检查的提示词]”

检查以下内容：
1. **提到了却没附上**：是否提到“这段代码”“那份文档”“之前”或“上面”，却没有附上实际内容？

2. **默认对方知道**：是否默认 AI 了解某个具体的项目、公司或情况？

3. **没写明的要求**：对格式、长度或风格是否有期望，却没有写出来？

4. **缺失背景**：一个聪明但不了解情况的人，能看懂这是在问什么吗？

列出缺了什么，并建议怎样补上。

引导性问题陷阱

表现：你提问的方式本身就带着预设，于是得到的只是附和，而不是真知灼见。

改前（引导性问题）：

为什么 Python 是数据科学最好的编程语言？

改后（中立问题）：

比较 Python、R 和 Julia 用于数据科学工作的情况。各自有哪些优缺点？什么情况下该选其中一种，而不是另外两种？

原因：我们往往想听到认同，而不是信息。措辞会不自觉地把答案引向我们期待的方向。

偏见检测器：检查你的提示词是否有隐藏的偏见和引导性语言。

分析这个提示词中的偏见和引导性语言：

“[要分析的提示词]”

检查以下内容：
1. **预设前提**：问题是否预先认定某件事为真？
2. **引导性措辞**：问“X 为什么好？”是否已经默认 X 是好的？
3. **忽略其他可能**：是否没有考虑其他可能性？
4. **只求认同**：是在求对方认同，而不是请对方分析吗？

把提示词改写得中立、开放。

盲目信任陷阱

表现：AI 的回复听起来自信且权威，所以你不加验证就接受了。但自信并不等于准确。

• 未审核的内容：发布 AI 生成的文本而不进行事实核查。例如：带有虚构统计数据或假引用的博客文章
• 未测试的代码：在生产环境中使用未经测试的 AI 代码。例如：安全漏洞、边界情况出错、不易察觉的 bug
• 盲目决策：仅基于 AI 分析做出重要决定。例如：依据 AI 凭空编造（幻觉）的市场数据制定商业策略

原因：AI 就算错得离谱，听起来也很有把握。我们还容易产生“自动化偏见”，也就是过分相信计算机给出的结果。

验证提示词：用它让 AI 主动标出自己没把握的地方和可能的错误。

请提供关于以下主题的信息：[主题]

重要：回答完之后，加一节“验证说明”，包括：

1. **置信度**：你对这些信息有多确定？（高/中/低）

2. **可能的错误**：这个回答里哪些部分最可能有错或已经过时？

3. **需要验证的内容**：哪些具体论断需要用户自行核实？

4. **可查阅的来源**：用户可以去哪里验证这些信息？

如实说明局限。标出不确定之处，好过对错误的内容表现得很有把握。

一次性陷阱

表现：你发了一个提示词，得到一个平平的结果，就断定 AI“不适合”你的场景。其实好结果几乎都要经过多轮迭代。

改前（一次性思维）：

平庸的输出 → “AI 做不了这个” → 放弃

改后（迭代思维）：

平庸的输出 → 分析问题所在 → 改进提示词 → 更好的输出 → 再次改进 → 优秀的输出

原因：我们指望 AI 第一次就能读懂我们的心思。用 Google 搜索时，我们并不觉得多换几次关键词有什么奇怪，对 AI 却要求一次完美。

迭代助手：第一次结果不理想时，用它有条理地改进。

我原来的提示词是：
“[原来的提示词]”

我得到的输出是：
“[得到的输出]”

问题在于：
“[哪里不对]”

帮我迭代改进：

1. **诊断**：原来的提示词为什么会得到这样的结果？

2. **遗漏的内容**：哪些地方我本该说清楚却没有说？

3. **修改后的提示词**：针对这些问题重写我的提示词。

4. **检查要点**：拿到新输出后，我该检查什么？

忽视格式陷阱

表现：你只顾着让 AI 说什么，却忘了规定格式。结果需要 JSON 时拿到一段散文，需要要点列表时拿到一大段密密麻麻的文字。

改前（未指定格式）：

从这段文本中提取关键数据。

改后（指定格式）：

从这段文本中提取关键数据，以 JSON 格式输出：

{
  "name": string,
  "date": "YYYY-MM-DD",
  "amount": number,
  "category": string
}

只返回 JSON，不要解释。

原因：我们关注内容，忽略结构。可如果你要用程序解析输出，或者要把它粘到特定的地方，格式和内容一样重要。

格式规范生成器：为你需要的任何输出类型生成清晰的格式规范。

我需要 AI 按特定格式输出。

**我要它做的事**：[任务描述]
**我会怎样使用输出**：[输出的用途]
**首选格式**：[首选格式]（JSON、Markdown、CSV、要点列表等）

生成一段可以加进提示词的格式规范，包括：

1. **确切结构**：写明字段名和类型
2. **输出示例**：展示这种格式
3. **约束条件**（例如“只返回 JSON，不要解释”）
4. **边界情况**（数据缺失时输出什么）

上下文窗口陷阱

表现：你贴进一份超长文档，指望得到全面的分析。但模型有上限：输入太长时，它可能截断内容、抓不住重点，或者漏掉重要细节。

• 了解模型的上限：不同的模型有不同的上下文窗口。例如：GPT-4 为 128K token，Claude 为 200K token，Gemini 为 1M token
• 分块处理大输入：把文档拆成大小合适的几部分。例如：分别分析各章节，然后综合
• 重要信息放前面：将关键上下文放在提示词的开头。例如：关键要求在前，背景细节在后
• 去除冗余：删除不必要的上下文。例如：你真的需要整个文档，还是只需要相关部分？

编者注：上面的上下文窗口数字是原书给的示例，不同模型、不同版本差别很大，请以所用模型提供方公布的说明为准。

文档分块策略：文档超出上下文上限时，用它来制定处理策略。

我有一份很长的文档要分析：

**文档类型**：[文档类型]
**大约长度**：[大约长度]
**我需要提取/分析的内容**：[要提取或分析的内容]
**我使用的模型**：[模型名称]

请制定分块策略：

1. **如何切分**：这类文档在哪些地方断开比较合理
2. **每块带上什么**：单独分析一块时需要的上下文
3. **如何汇总**：把各块的结果合在一起
4. **注意事项**：可能被切到两块里的信息

拟人化陷阱

表现：你把 AI 当成人类同事，指望它“喜欢”这项任务、记得你、在乎结果。它不会。

改前（拟人化）：

我相信你会喜欢这个创意项目！我知道你喜欢帮助别人，这对我个人来说真的很重要。

改后（清晰直接）：

按以下要求写一篇创意短篇故事：
- 类型：科幻
- 长度：500字
- 语气：充满希望
- 必须包含：一个反转结局

原因：AI 的回复太像人了，我们自然会用上与人相处的那一套。但打感情牌不会让 AI 更卖力，清楚的指令才会。

什么才真正有帮助

与其打感情牌，不如把功夫花在清楚的要求、好的示例、具体的约束和明确的成功标准上。这些能改善输出，“请你一定尽力”则不能。

忽视安全陷阱

表现：急着把事情跑通，你把敏感信息写进了提示词：API 密钥、密码、个人数据或公司内部信息。

• 提示词中的密钥：把 API 密钥、密码、token 粘贴进提示词。例如："使用这个 API 密钥：sk-abc123..."
• 个人数据：把个人身份信息发到第三方服务器。例如：提示词中的客户姓名、电子邮件、地址
• 未经处理的用户输入：把用户输入原样拼进提示词。例如：提示词注入漏洞
• 专有信息：商业机密或机密数据。例如：内部策略、未发布的产品细节

原因：只顾功能，忽视了安全。请记住：提示词通常会发到外部服务器，可能被记录，也可能被用于训练。

安全审查：在发送前检查你的提示词是否存在安全问题。

审查这个提示词有没有安全问题：

“[要审查的提示词]”

检查以下内容：

1. **暴露的密钥**：API 密钥、密码、token、凭证
2. **个人数据**：姓名、电子邮件、地址、电话号码、身份证号
3. **专有信息**：商业机密、内部策略、机密数据
4. **注入风险**：可能操纵提示词的用户输入

对发现的每个问题：
- 解释风险
- 建议如何脱敏或保护这些信息
- 推荐更安全的做法

无视幻觉陷阱

表现：你向 AI 要引文、统计数据或具体事实，见它说得笃定，就以为是真的。但 AI 经常编造听起来可信的信息。

改前（盲目信任）：

给我 5 个关于远程办公效率的统计数据，并附上来源。

改后（承认局限性）：

关于远程办公的效率，目前已知哪些情况？你提到的每个统计数据，都请说明它是已有定论的发现，还是不太确定的。具体数字我会自己去核实。

原因：AI 生成的文字听起来很权威。它并不“知道”自己什么时候在编造：它是在预测最可能出现的文字，而不是检索经过核实的事实。

抗幻觉查询：这样组织提示词，可以尽量降低幻觉风险，并让 AI 标出不确定之处。

请提供关于以下主题的信息：[主题]

为尽量减少错误，请遵守以下几点：

1. **只讲公认的事实**。不要给出冷僻、难以核实的论断。

2. **标出不确定之处**。没有把握时，请说“我认为……”或“这一点可能需要核实……”。

3. **不要编造来源**。除非确定存在，否则不要引用具体的论文、书籍或网址，而是说明可以去哪里找这类信息。

4. **说明知识的局限**。如果我的问题涉及你训练数据截止之后的事，请直接说明。

5. **区分事实和推断**。分清“X 是真的”和“根据 Y，X 很可能是真的”。

请在遵守以上要求的前提下回答：[你的实际问题]

发送前检查清单

发送重要的提示词之前，先对照这份清单快速过一遍：

提示词质量检查

• 是否足够具体？（不模糊）
• 是否专注？（没有过载要求）
• 是否包含所有必要的上下文？
• 问题是否中立？（不具引导性）
• 是否指定了输出格式？
• 输入是否在上下文限制内？
• 是否有安全顾虑？
• 我是否准备好验证输出？
• 如果需要，我是否准备好迭代？

小测验：在使用 AI 做重要决策时，最危险的陷阱是什么？

• A. 使用模糊的提示词
• B. 不加验证地信任 AI 输出
• C. 不指定输出格式
• D. 在提示词中过载要求

答案：B。 虽然所有陷阱都会造成问题，但不加验证地信任 AI 输出是最危险的，因为它可能导致发布虚假信息、部署有漏洞的代码，或基于幻觉数据做出决策。AI 就算完全错了，听起来也很自信，所以只要用在重要场合，就一定要核实。

编者注：原页面此处为互动演示，本库未收录。