从直觉到方法论——读 OpenAI 官方 Prompting 指南
最近读到一篇相当有分量的文章：OpenAI 官方 Prompting 指南。
作者 Eric Provencher，是 OpenAI Codex 开发者体验（DX）负责人，也是 Repo Prompt 的原作者。原文来自 OpenAI 官方文档 learn.chatgpt.com/docs/prompting，国内有公众号做了逐段中英对照翻译。
读完之后最大的感触不是「学到了新东西」——而是有人把我每天都在做的事情，系统清晰地讲了出来。
日常做 Web coding 的时候，我写 prompt 大致是三个要素：
目标是什么 → 需要哪些资料 → 结果要什么样子。
第一版 prompt 通常很简单，甚至有点粗糙。跑偏了？那就再补一句修正。遇到问题？再迭代。
这种工作流一直跑得挺顺，但我从来没认真想过——它背后其实隐藏着一个框架，只是我没把它提炼出来。
而 Eric Provencher 做的，就是这个「从本能到显性知识」的提炼。
G.C.O.B.：一个极简但完整的 Prompt 框架
他把好的 prompt 拆解成四个要素：
这几个要素从左到右，刚好对应我日常的思维流：
- • Goal（目标）——就是我说的「告诉它我要什么」
- • Context（上下文）——就是「给它需要的资料和来源」
- • Output（输出）——就是「说清楚要什么格式、给谁看」
- • Boundaries（边界）——这个我原来做得很晚
其中 Boundaries 是我收获最大的部分。我习惯的做法是「跑偏了再补约束」，但 Provencher 说：盯住最要紧的一两条边界，提前说清楚就行——不需要控制每一步，只防那几件真正会翻车的事。
他给的示例非常具体：
✅ 「已批准的日期和预算数字保持不动」
✅ 「只用我提供的来源，信息缺了就标出来」
✅ 「把消息准备成草稿，不要发送」
每一条都只防一种真实的破坏性行为，不多不少。
几个让我印象深刻的点
1. 从结果说起，不要从步骤说起
这句话在全文中反复出现，是最高频的原则。
多数人的自然倾向是描述步骤——「先这样，再那样，然后…」。但 Provencher 反复强调：只描述你要的结果，把执行路径留给模型自己去探索。
只有当「做法本身重要」时，才需要描述过程。其他时候，给 ChatGPT 留出空间，让它自己去搜索、比对、调整。
2. Codex Prompt 的黄金公式
文章专门有一节讲 Codex 场景的 prompt 写法，公式非常精练：
行为 + 相关代码/复现步骤 + 重要约束 + 验证方式
和我原来的「目标→资料→结果」比起来，多了一个关键环节：显式地说清楚怎么验证。
比如修 bug 的示例 prompt：
Bug：点击「保存」显示「已保存」但改动没真正落盘。
复现步骤：1）npm run dev 2）打开 /settings 3）切换开关 4）点保存 5）刷新页面→开关弹回
约束：不改 API 形状，修复保持最小化。
先在本地复现，然后提出补丁并跑检查。
3. Steer vs Queue——操作层面的精妙设计
Codex 在干活的时候，你不用等它跑完就能发下一条消息：
- • Steer（转向）——按 Enter，消息注入当前这一轮。用来改方向、补细节
- • Queue（排队）——按 Tab，消息留到下一轮。适合等当前工作干完再说的追问
这个设计说明一件事：作者是真高频使用 Codex 的实践者。能设计出这种「不打断当前工作流就能修正方向」的交互，不是纸上谈兵能总结出来的。
4. 终检模式——让结果到手就能用
Work 和 Codex 场景里反复出现一个模式：让 ChatGPT 收尾时做一次自检。
「收尾前，检查每个下一步都有负责人和截止日期」
「把没法核实的信息标出来」
这个「验证驱动」的心法和我自己的风格完全同频——不是拿到结果就信，而是让模型自己先过一遍质量门。
四种场景，四种写法
文章还把使用场景分成四类，每类有针对性写法：
| 场景 | 核心理念 | 我对应怎么用 |
|---|---|---|
| Chat | 从结果出发，只在细节会改变答案时补充 | 快问、打草稿、日常决策 |
| Work | 附来源、定受众、要求终检 | 调研报告、周报、方案 |
| Codex | 行为+代码+约束+验证 | Web coding、修 bug、重构 |
| Voice | 开口说，转写完再修改 | 初稿口述，比打字快 3 倍 |
从「能做」到「能教」
这篇文章让我意识到一件事：系统化能力是比使用能力更高一层的技能。
我能用出这套方法，在实战中跑通「目标→资料→结果→迭代」的工作流——说明我已经到了「本能层」。但 Provencher 做的，是把这些肌肉记忆变成了可教的方法论。
这恰恰是我自己正在追求的东西：从自己能做，到能总结、能教、能孵化。
把经验提炼成框架，才是从 practitioner 走向 creator 的关键一步。
接下来
这篇文章的英文原文在 learn.chatgpt.com/docs/prompting。Eric Provencher 是 OpenAI 的 Codex DX 负责人，这类一手官方文档的质量远超各种二手拆解。
接下来打算多关注英文一手来源。官方文档、作者原声——比翻译二手材料更准、更深、更及时。
毕竟，如果一个领域的最新方法论是用中文翻译版本学到的，那你的信息获取速度就已经比源头慢了一拍了。