当第一个 AI 答案不理想时该怎么办

在重写整个提示词之前，先诊断出问题出在哪里

一个令人失望的答案通常属于以下几类之一：遗漏了你有但没说出来的背景信息、忽略了某个约束条件、用错了格式，或者对某个事实自信满满地说错了。找出属于哪一种，就能对应到一个具体的修正方法——缺少约束条件需要的是明确补上这条约束，而不是从头重写整个提示词，也不是更强硬地重复一遍。

补上具体缺失的那一样东西，而不是笼统地加更多指令

一旦你知道缺了什么，就准确地补上它：约束条件、示例、那段背景信息，或者会让要求变得清楚的格式说明。这一步通常依据的基础，可参见下方链接的“如何写出清晰、具体的提示词”——大多数迭代做的，都是补上第一个提示词遗漏的那几件常见的事。

知道什么时候该重新开始一个提示词，而不是继续修补

一长串小修小补的来回，可能会让对话中积累起一些相互矛盾、模型现在正试图调和的指令——到了这个地步，一个把你已经知道的一切都写清楚的全新提示词，往往比再打一次补丁更快、更可靠。当答案是自信满满地说错了某个事实，而不只是格式不对时，这一点也值得记住：修改措辞并不能解决这个问题，因为这根本不是措辞问题——关于这种情况下究竟发生了什么，可参见下方链接的“AI 为什么会产生幻觉”。

常见问题

答案写得很好但事实错了——我该怎么修改提示词？

这大多不是靠改措辞就能解决的，因为它不是措辞问题。关于究竟发生了什么，以及真正有帮助的做法——比如要求模型引用它能核实的来源，或者使用一个会去查找资料的研究模式——可参见下方链接的“AI 为什么会产生幻觉”。

我应该在同一段对话里继续纠正，还是开一段新对话？

两种做法都可行，但一长串小修正有留下相互矛盾指令的风险。如果一段对话已经经历了好几次纠正，一个全新、完整的提示词往往比再打一次补丁更可靠。

在放弃某种提示词思路之前，我应该尝试多少次？

没有固定的次数——但如果两三次具体、经过诊断的修正都没有帮助，问题可能根本不在提示词本身。关于这项任务是否需要换一种模型，可参见下方链接的“为你的任务选择模型”。