@bigaiguy: 震惊：一位印度开发者刚刚在GitHub上登顶#1，凭借一个在各大基准测试中表现优异的提示词框架。…

🚨震惊：一位印度开发者刚刚凭借一个提示框架登顶GitHub第一，该框架在所有主要基准测试中表现优异。

没有风投资金。没有研究实验室。只有一台笔记本电脑和14个月的测试。

我过去三周一直在使用他仓库中的11个提示模式：https://t.co/nXEpNf1tgn

震惊：一位印度开发者刚刚凭借一个提示框架登顶GitHub第一，该框架在所有主要基准测试中表现优异。

没有风投资金。没有研究实验室。只有一台笔记本电脑和14个月的测试。

我过去三周一直在使用他仓库中的11个提示模式：

模式1：锚定模式。 用一句话定义确切输出格式，开始每个复杂提示。 “仅以编号列表回复。无开场白。列表后无解释。” AI在处理你写的其他内容之前，会先锁定这个锚点。

模式2：约束堆叠。 不要将约束作为事后追加的内容放在提示末尾。 将它们堆叠在核心要求之后立即给出。 要求 → 约束 → 上下文 在他的4000条提示测试中，颠倒顺序可将幻觉减少28%。

模式3：角色边界。 大多数人只分配一个角色就停住了。 “你是一位资深数据科学家。” 他的版本添加了一个硬边界： “你是一位资深数据科学家。你不进行推测。如果数据缺失，你明确说出来。” 边界才是激活角色的关键。

模式4：失败注入。 在要求分析之前，先给AI一个错误答案的例子。 “这是我不想要的回复类型：[例子]。” 这一简单添加在他基准测试中将通用输出减少了超过50%。 负面例子总是优于正面例子。

模式5：置信门控。 在事实性或研究性任务中添加这一行： “不要包含任何你无法用具体推理支持的声明。” AI会停止用看似合理的填充内容来粉饰答案。 输出长度下降。输出准确率上升。

模式6：步骤分隔符。 对于多步骤任务，不要将步骤列为项目符号。 将它们写为硬性停止： “完成步骤1。停止。等待我的确认。然后进行步骤2。” 不停止就运行所有步骤的代理，比设置了检查点的代理偏离目标的可能性高60%。

模式7：压缩指令。 在AI输出长内容后，运行这个提示： “将以上内容压缩为包含最多决策相关信息的5个句子。” 你得到信号，没有噪音。 他使用这个模式在一个周末内处理了300篇研究论文。

模式8：假设审计。 在任何战略或分析任务之前，添加： “在开始之前，列出你正在做出的每一个假设。” AI会浮现出原本会埋藏在自信回答下的隐藏推理。 这个模式会改变你阅读每个AI输出的方式。

模式9：重构测试。 在获得任何AI建议后，运行这个： “现在以同等的说服力论证相反立场。” 如果AI能以同等强度论证双方，那么你还没有得到真正的答案。 这是发现薄弱分析的最快方法。

模式10：具体性阶梯。 当输出感觉过于通用时，不要重写你的提示。 只需添加： “让每个声明比你的第一直觉具体3倍。” 通用：“改善你的市场营销。” 具体：“针对过去14天内点击但未转化的用户，运行一个3封邮件的序列。” 相同的提示。完全不同的输出。