给大模型写提示词，不是越长越细就越好——更长的提示词反而会损伤它的推理和准确性。
被忽略的提示词冗余问题
现在大模型能力越来越强，从写文案到写代码都能搞定，但有个环节一直没跟上：提示词设计。目前靠的都是启发式试错，没什么固定章法。写需求时总怕说漏，把一堆无关细节、甚至整个文档或代码库都塞进去，结果反而起反作用——arXiv cs.AI分类的这篇论文明确提到，更长的提示词会让LLM的推理能力下降，输出准确率也会受影响。更有意思的是，理论上存在多个不同的提示词，能让模型跑出完全一样的结果，这说明输入的信息空间里藏着不少冗余，哪些信息是触发模型特定行为的“刚需”，至今没人能说清。
最小化的门道：删冗余但保核心信息
这次研究瞄准了这个问题，提出了“提示词最小化”的方向。说白了，就是把你写的提示词，缩到“最小、信息最密集”的状态，同时还要保证输出的质量和原来一样——也就是“保真”。这不是瞎删，而是要精准识别哪些是多余的信息，比如那些对模型任务没影响的细节。实际用起来好处很明显：能减少计算开销，降低推理延迟，尤其当你之前不小心塞了整个文档、代码库这种大上下文时，精简后能省不少资源。研究还做了三个不同的变体框架，专门用来识别和评估这些最小提示词，测试后发现，最小提示词的输出效果，和原来的长提示词比，基本没差，完全能达到同样的要求。
研究的结论与行业影响
这个发现给提示工程提供了新的思路。之前大家可能总觉得，要把需求说全，提示词越细越好，但现在看来，精简反而能让模型表现更好。更深一层，这个研究也帮我们更懂LLM的输入压缩——到底怎么从一堆信息里挑出最必要的部分，还能让模型准确执行任务，这背后的规律，可能是未来优化大模型效率的关键。不过目前这个研究还在探索阶段，三个框架只是初步尝试，能不能落地到实际用的提示词工具里，还需要更多测试。
你平时给大模型写提示词，是习惯写得越细越好，还是会刻意精简内容？
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、科研前沿
查看报道原文
发表第一条评论吧