收益：
- 可以解释为什么模糊的指令会产生通用且不准确的结果
- 可以将模糊的形容词转化为可测量的、数字的和明确定义的指令
- 了解清楚说明不想要的内容和限制的价值
在上一单元中，我们看到了提示的六个组成部分。我们现在关注这些组件决定最大价值的特性：清晰度。从人工智能中得到令人失望的答案的首要原因是模糊的指令。模型无法读懂你的想法；你对他说的越含糊，你得到的答复就越笼统和不准确。在本单元中，我们将通过具体示例学习如何将不确定性转化为可测量的、数字的和有界的指令。
为什么不确定性会带来不好的结果？
该模型用其“最有可能”的预测填补了任何空白。当你说“写一篇短文”时，对你来说可能是 3 个短句，但对模型来说可能是 2 个段落。当你说“用专业的语气”时，你脑海中的正式感可能与模特所表现出的冷酷不相称。模棱两可的形容词（好的、好的、有效的、简短的、专业的）向模型传达的信息很少，因为它们对每个人来说意味着不同的东西。清晰度正在用可测量的等价物取代这些形容词。
将模糊的形容词变成可测量的指令的逻辑
每一个模糊的形容词背后实际上都有一个数字或具体的期望。你的工作就是揭开它：
- “短”→“80 个字以下”或“3 句话”。
- “专业”→“正式、无行话、无第二人称奇异语气。”
- “详细”→“每个标题下至少有 2 个示例和 1 个数值数据”。
- “简单”→“高中毕业生可以理解的没有技术术语的语言。”
- “一些”→“3 到 5 之间”。
清晰度的五个维度
尺寸
暧昧的
网
长度
“保持简短”
“最多 100 个字”
数量
「几点建议」
“正好5条建议”
目标受众
“为了每个人”
《对于不懂会计的中小企业主》
语气
“用适当的语言”
“正式但温暖；不要使用表情符号”
适用范围
“告诉我这个话题”
“请告诉我有关定价和退货政策的信息”
沿着这五个维度回顾指令会将清晰度变成一种近乎机械的习惯。
说你不想说的话
清晰不仅包括你想要什么，还包括你不想要什么。模型往往会填充没有绘制边界的地方。诸如“承诺价格”、“提及竞争对手品牌”、“添加文本中没有的信息”、“不问问题，直接回答”等负面约束显着增加了产出。大多数人只写积极的指示；而一句话“不要”列表是维持输出方向的最强大工具之一。
四个可复制模板
1）从模糊到清晰的转换框架：
任务：[具体动词+主语]长度：[字数/句子数]数量：[多少/项]目标受众：[谁，知识水平]语气：[具体形容词]范围：仅[X和Y]；不要输入[Z]。不要：[负面约束]
2）社交媒体帖子：
写一篇 LinkedIn 帖子。- 主题：[产品/活动]- 长度：3 个短段，总共约 120 个单词。- 第一句吸引注意力，最后一句明确呼吁。- 目标受众：行业专业人士。- 请勿：使用主题标签超过 3 次；不要使用夸张的形容词。
3）产品说明：
介绍此产品。- 正好 4 篇文章。- 每篇文章不超过 15 个字。- 面向非技术客户。- 每篇文章应重点关注优点，而不是功能。- 请勿：编造数字声明；只需使用我提供的功能即可。特点：[列表]
4) 寻求反馈（清晰度检查）：
为了清楚起见，请评估以下说明。列出每个尚不清楚的点，并为每个点提出可衡量的替代方案。说明：[您自己的提示]
弱提示/强提示
弱：
给顾客写一封友好的道歉信。
强：
给迟到 4 天发货的客户写一封道歉信。 - 最多 90 个字。 - 真诚但专业的语气；接受责备，不要找借口。- 提供具体补偿：下一个订单 10% 的折扣代码。- 不做：详细解释延迟的原因；不要使用表情符号。
第二个提示使“美丽”变得可衡量：长度、语气、具体补偿和两个负面约束。结果基于指示，而不是猜测。
三个迷你箱
案例 1——呼叫中心。一个支持团队正在使用“写一封礼貌的回复”模式，有时回复太长，客户会感到无聊。当添加“最多 60 个单词，在第一句话中给出解决方案”的限制时，下一周期的平均响应长度减少，团队测量的满意度得分增加。
案例 2——财务报告。当分析师说“总结趋势”时，模型正在做出解释。 “只依赖我给出的表中的数字；不要添加不存在的趋势；在每个句子的括号中显示相关数字”的指令将制造率几乎为零。
案例 3 — 内容编辑器。一位编辑收到了分散的文本，其中包含模糊的说明，例如“编写 SEO 友好的文章”。当我们将其具体化为“在标题和第一段中指定一次该关键字；使用 3 个副标题；让每个标题都是一个疑问句”时，文本一次就可以出版了。
提示：写完提示后，问问自己：“如果我向 5 个不同的人提供此指令，是否会有 5 种不同的输出？”如果你的答案是肯定的，那么还有一个不明确的地方。清晰度意味着将解释范围缩小到单一的正确含义。
注意：过于清晰也是一个陷阱。如果列出 15 个相互冲突的约束，模型无法同时满足所有这些约束，并且会忽略其中一些约束。首先写下3-4个最关键的约束；如有必要，迭代添加。
常见错误
- 依赖模糊的形容词。说“好”、“不错”、“专业”，而不写出可衡量的等价物。
- 不指定长度。模型总是选择与您预期不同的长度。
- 绕过负面约束。不说不想要的话。
- 没有指定目标受众。同样的内容对于专家和孩子来说写得完全不同。
- 堆叠矛盾的约束。同时想要“太短”和“太全面”。
综上所述
- 不明确的指令会导致模型用自己的预测来填补空白，从而导致通用/不准确的输出。
- 清晰度正在用可测量的等价物（字数、片段、具体语气）取代模糊的形容词。
- 清晰度的五个维度：长度、数量、受众、语气和范围。
- 写下你不想要的以及你想要的；负约束聚合输出。
- “如果我把它交给 5 个人，会不会有 5 种不同的输出？”测试揭示了隐藏的歧义。
应用任务
拿一个你最近写的提示，并标记其中每个模糊的形容词（短、好、详细、适当等）。将每个反应变成可测量的反应，并添加一条“不要”线。使用新旧提示符运行相同的任务并比较两个输出；请注意一句话中清晰度的差异。
清单
- [ ] 我可以识别提示中模棱两可的形容词并使它们可测量。
- [ ] 我应用清晰度的五个维度（长度、数量、质量、音调、范围）。
- [ ] 我对每项重要任务都写了一个“不要”约束。
- [ ] 我确保指定目标受众。
- [ ] 我避免冲突或过多的限制。