AI 越来越聪明，提示词如何做|OpenAI 与 Anthropic 共识

“

模型更聪明之后，好的 Prompt 不再像操作手册，而更像任务委托。

过去两年，我们学习使用 AI，往往从一套「提示词公式」开始。

先给 AI 安排一个角色：「你是一位拥有二十年经验的资深专家」；再交代背景、目标、步骤、格式、语气、限制条件；最后补上一句「请一步一步思考，确保答案准确」。

一条 Prompt 写到几百字，看上去才足够专业。

网上甚至出现了大量「万能提示词模板」：只要复制一段复杂指令，就能让 AI 从普通聊天机器人变成咨询顾问、程序员或写作大师。

但到了 2026 年，两家最重要的 AI 公司却不约而同地给出了相反的建议：

少写一点。

OpenAI 在新版 Prompting 指南中明确表示，用户不需要技术语法或僵化公式，短 Prompt 通常已经足够。Anthropic 更激进：针对最新一代 Claude 模型，他们删掉了 Claude Code 超过 80% 的系统提示词，却没有在代码评测中观察到可测量的性能损失。

这并不意味着 Prompt 不重要了。

真正发生的变化是：模型越来越聪明之后，好的 Prompt 不再像操作手册，而更像一份清晰的任务委托。

01

OUTCOME FIRST

OpenAI：先说结果，不要急着规定步骤

OpenAI 最新的官方文档《Prompting》，同时面向 Chat、ChatGPT Work 和 Codex 用户。

文章开头就打破了一个常见迷思：

「Prompt 不需要技术语法或僵化公式。用自己的语言开始，查看结果，再通过后续消息逐渐调整。」

OpenAI 把一个重要任务所需的信息归纳为四类：

这四项并不是要求用户每次都套用的固定模板。OpenAI 特别提醒：只使用真正有帮助的部分，不需要为了形式完整，把每个格子都填满。

其中最值得注意的一条建议是：

「从你需要的结果开始，而不是先列出一长串执行步骤。」

例如，你想整理会议纪要，不必先教 AI：

1阅读全部文字；

2识别重要议题；

3提取决策；

4找出责任人；

5整理后续行动；

6最后生成摘要。

你可以直接说：

「把这份会议记录整理成一封发给项目组的简短更新，把已作出的决定和下一步行动放在最前面。」

当过程本身并不重要时，过早规定每一步，可能限制模型寻找更好的方法。你真正需要描述的是结果、读者和用途，然后给 AI 留出搜索、比较和调整方案的空间。

这与早期的 Prompt 教程有明显区别。

以前，我们担心模型遗漏步骤，所以要把流程拆得非常细。现在，模型已经具备更强的推理、工具调用和长任务执行能力。用户最重要的工作，不再是替它设计全部过程，而是让它知道「最终要交付什么」。

02

KEEP THE BOUNDARIES

不是没有限制，而是只保留真正重要的限制

「少写一点」很容易被误解成「什么都不用说」。

OpenAI 并不是让用户只丢给 AI 一句话，而是建议减少无效控制，保留真正会影响结果的边界。

例如：

•已经批准的日期和预算不能修改；

•只能使用提供的资料，缺少信息时不要猜；

•先生成邮件草稿，不要直接发送；

•建议必须控制在规定预算内。

这些要求看起来不复杂，却直接决定结果能不能使用。

OpenAI 建议，一般只需要强调一两个最重要的边界，不必控制 AI 的每一步动作。对于重要工作，还可以在最后增加一项验收要求：

「完成前，检查每个行动项是否都有负责人和截止日期；无法核实的信息请单独标记。」

到这里，Prompt 已经不太像「咒语」，而更像现实工作中的任务委托：

我要什么、资料在哪里、结果给谁看、什么不能做、怎样才算完成。

03

REMOVE THE CLUTTER

Anthropic：我们删掉了 80% 的系统提示词

如果说 OpenAI 是在提醒普通用户不要过度设计 Prompt，那么 Anthropic 给出的案例更加激进。

2026 年 7 月 24 日，Claude Code 团队成员 Thariq Shihipar 在官方博客发表了《The new rules of context engineering for Claude 5 generation models》。

文章披露，针对 Claude Opus 5、Claude Fable 5 等能力更强的新模型，Anthropic 删除了 Claude Code 超过 80% 的系统提示词，却没有在代码评测中发现可测量的性能下降。

这件事的意义远不只是「节省了 Token」。

系统提示词是产品在后台长期提供给模型的总规则。用户通常看不见，却会持续影响模型的判断。如果连 Claude Code 这样的复杂编程工具都可以删除大部分后台指令，就说明我们过去对 Prompt 的许多认识，可能建立在旧模型的能力限制上。

Anthropic 复盘内部使用记录时发现，同一个请求里经常同时存在多套要求：用户提出一套要求，系统提示词里还有一套规则，Skills 和 CLAUDE.md 文件中又存在其他说明。

例如，一处要求「根据需要添加文档」，另一处却写着「不要添加注释」。这些指令未必完全冲突，却会迫使模型花费更多精力判断到底该听谁的。

过去，这些规则是为了避免旧模型犯错。

但新模型已经更善于理解用户意图、观察周围代码风格并作出判断。继续保留旧规则，不仅没有帮助，反而可能成为束缚。

Anthropic 把这种变化称为：Unhobbling Claude——给 Claude 松绑。

04

RULES TO JUDGMENT

从「给规则」变成「让模型判断」

Claude Code 以前会收到非常具体的编码要求，例如默认少写注释、不要写多段文档说明、除非用户要求否则不要创建计划文件。

这些规则对旧模型有用，因为它们可以阻止模型产生大量不合适的注释和文件。但规则总有例外。

复杂代码有时确实需要详细说明，不同项目也有完全不同的注释习惯。于是，新版要求变得非常简单：

「编写与周围代码一致的代码，匹配现有项目的注释密度、命名和表达习惯。」

它没有规定注释必须有几行，而是给出判断依据，让模型根据实际环境决定。

这是一种重要变化：

过去的 Prompt 试图提前列出所有正确答案；现在的 Prompt 更倾向于告诉模型，应当依据什么作出判断。

05

PROGRESSIVE DISCLOSURE

从「把资料全部塞进去」到「需要时再加载」

Anthropic 的第二个重要变化，是从 Prompt Engineering 进一步转向 Context Engineering，也就是「上下文工程」。

当我们向 Claude 发送一条消息时，用户输入的 Prompt 只是模型所见内容的一小部分。系统提示词、Skills、CLAUDE.md、记忆、历史对话、工具定义和参考文件，都属于上下文。

过去，人们常有一种朴素想法：既然 AI 可能不知道，那就把所有资料都提前塞给它。

结果是系统提示词越来越长，项目说明文件越来越大。模型每次处理任务，都要携带许多当下根本用不到的信息。

Anthropic 现在推荐的是「渐进式披露」：

•常驻说明保持精简；

•需要做代码审查时，再加载代码审查 Skill；

•需要验证时，再读取验证规范；

•需要调用某个工具时，再获取它的完整定义；

•复杂知识拆分到不同文件，由模型按需寻找。

这很像一家运转成熟的公司。

员工入职时不需要背下所有制度、所有项目文档和所有操作手册。他只需要知道当前职责、重要原则，以及遇到具体问题时去哪里查资料。

AI 也是如此。

高质量上下文不是信息越多越好，而是在正确的时间提供正确的信息。

06

FEWER EXAMPLES

示例也不是越多越好

过去的 Prompt 教程经常强调 Few-shot Prompting：给模型几个范例，它就能模仿我们需要的格式和风格。

这种方法今天仍然有效，但 Anthropic 提出了一个新的风险：对更强的模型而言，例子有时会限制探索空间。

如果工具接口只能通过长篇示例才能让模型学会，可能说明问题并不在 Prompt，而在工具本身设计得不够清楚。

与其给 Claude 十个调用范例，不如把工具的参数、状态和返回结果设计得直观一些。一个清晰的接口，本身就在传达应该怎样使用。

当然，这并不是说所有示例都该删除。

当你需要特定文风、固定数据结构或非常微妙的审美标准时，优秀范例依然比抽象描述更有效。但示例应该用来传达难以言说的判断，而不是重复模型已经理解的常识。

07

INFORMATION DENSITY

Prompt 不是越短越好，而是信息密度要更高

看到这里，可能有人会得出一个过于简单的结论：

以后只需要对 AI 说「帮我把这件事做好」就行了。

显然不是。

OpenAI 和 Anthropic 反对的，都不是信息本身，而是无效、重复、冲突和过度僵化的信息。

因此，好的 Prompt 可能变短了，但它并没有变得随意。

恰恰相反，它要求使用者更清楚地知道：自己究竟要什么。

08

A BETTER PROMPT

一个适合新模型的 Prompt

假设我们要让 AI 写一篇产品分析。

过去的写法可能是：

「你是一位拥有二十年经验、精通商业分析和科技行业研究的世界顶级咨询顾问。请一步一步思考，先分析背景，再分析市场，然后分析竞争对手，接着总结优势和劣势……」

这样的 Prompt 很长，却没有告诉 AI 文章给谁看、依据什么材料、哪些信息不能猜，以及最终怎样才算合格。

更适合新模型的写法是：

「根据附件中的产品资料和公开信息，撰写一篇约 2000 字的产品分析，读者是准备评估该产品的企业管理者。 重点回答三个问题：它解决什么问题、相较主要竞品有什么差异、企业采用它的主要风险是什么。 区分资料中的事实与作者判断；涉及价格、功能和发布日期时引用来源。无法核实的信息不要猜测。 完成前检查三个核心问题是否都已回答，并列出仍需进一步确认的信息。」

它没有规定每一步怎样执行，却完整定义了结果、读者、材料、边界和验收标准。

这正是新一代 Prompt 的方向。

∞

THE END

AI 越聪明，人越要学会「定义问题」

过去，使用 AI 的难点是让模型听懂指令。

今天，模型已经越来越擅长理解自然语言、寻找资料、调用工具和完成长任务。新的瓶颈逐渐转移到了人这一边：

•我们是否真的知道自己想要什么？

•是否提供了会影响判断的关键信息？

•是否分清了原则与个人习惯？

•是否给出了可以检验的完成标准？

•是否敢于让模型在合理范围内自行判断？

因此，Prompt 并没有消失。

它只是从「如何操纵模型说出答案」，变成了「如何把一个问题定义清楚」。

从这个角度看，OpenAI 和 Anthropic 所说的「少写一点」，并不是让我们偷懒，而是在要求更高级的表达能力：

少规定过程，多定义结果；少堆积规则，多提供依据；少重复常识，多指出真正的边界。

AI 越聪明，Prompt 反而可能越短。

但人需要想清楚的事情，一点也没有变少。

参考资料：

1Prompting｜ChatGPT Learn

2The new rules of context engineering for Claude 5 generation models｜Claude

—— END ——

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。