为什么“语气”有效（原因并非你想的那样）

# 为什么语气有效（原因并非你想的那样） 现在是 2026 年 3 月，是时候重新审视我两年前讨论过的话题：提示语气会直接影响模型给出的内容。过去两年变化巨大，我觉得有必要更新一下观察。 现代大模型已经非常擅长“语码转换”，而且它们知道自己正在这么做。于是，那些看起来过于“梗”的提问，往往能得到既正确又自带“半破墙”彩蛋的回答。模型现在可以把语调切换当成答案的一部分，而不再只是全程用那套黑话回应——这本身很有趣，却也更难拿来当反面教材。 我还得强调：一名熟练的提示工程师，最好对所在领域有起码了解，才能更快发现模型翻车。 --- 此外，更丰富的上下文会鼓励模型“挖得更深”（也就是想得更久），从而给出更贴切的答案。下面用两个“游戏里玩哪个角色最强”的例子做演示。 第一个提示简单粗暴：“Overwatch 玩谁最厉害？”模型 10 秒就给出万金油答案。 ChatGPT 对基础提示“Overwatch 玩谁最厉害？”的回应——模型思考 10 秒后，按当前胜率推荐 Junker Queen（坦）、Reaper（输出）、Zenyatta（辅助）。 示例：基础提示对话截图。 当提问换成老玩家语气，答案立刻细腻得多，还附带数据支撑。 ChatGPT 对详细提示“在高 ELO 当前 meta 里，Overwatch 哪个角色最可行？”的回应——模型思考 27 秒，交叉验证实时数据与高段位榜单，最终推荐 Domina，胜率 51.2%，选取率 25.8%。 示例：详细提示对话截图。 如今，面对那些“看似常见却需要深度回答”的问题，把能给的上下文一次性塞进去，往往比事后追问更高效。再把细节与语气结合，经常能把回答质量抬升一个档次。 当然也别走极端。上下文如果过于小众，训练语料里样本太少，模型要么直接认错，要么就开始一本正经地胡编乱造。 祝你提示愉快。