把两个相邻概念弄混——TCP vs UDP、均值 vs 中位、OAuth vs JWT、debounce vs throttle——会让你考试丢分、代码里塞满难复现的 bug、面试答案飘忽。解法不是多读，而是用结构化的并排对照把那个区分性问题亮出来：能在 A 和 B 之间一刀切的那个 yes/no。下面这些 Prompt 强制这种结构——单词格子的表、4 叉决策树、机制 vs 结果配对、同一道题解两遍。如果其中一个概念本身还没讲清，先配合 理论简化 Prompt 拆开，再做对比。
一句话总结
- 把下面任意 Prompt 贴进 ChatGPT（GPT-5.5）、Claude（Sonnet 4.6 / Opus 4.7）或 Gemini 3.1 Pro，把
[A]/[B]占位符换成你的两个概念即可。 - 永远要求模型给出那个区分性问题（第 2、5 条）——决定该用哪一个的唯一判据。没有它的特性清单只是冷知识。
- 凡是要写代码用到的，都跑一遍“同题双解”（第 7 条）：能背出区别，不等于在代码里能选对。
- 表格每格压到几个字。格子越长，对比本该暴露的差异越被埋住。
该用哪个模型
任意主流对话模型都能跑这些 Prompt，但在对比这件事上各有所长（截至 2026 年 6 月）：
| 任务 | 推荐 | 原因 |
|---|---|---|
| 清晰的大白话解释 | Claude Sonnet 4.6 / Opus 4.7 | 行文最干净，很少往格子里塞废话 |
| 深度技术推理（安全、分布式系统） | Gemini 3.1 Pro | 研究生级推理基准领先；100 万 token 上下文可塞长规范 |
| 一次性对比很多对概念 | GPT-5.5（Instant） | 出结果快；边界情况切到 Thinking 模式 |
做一次性对比，免费档就够：Claude Free 跑受限的 Sonnet 4.6；ChatGPT Free 跑额度很紧的 GPT-5.5；Google AI Pro（19.99 美元/月）解锁 Gemini 3.1 Pro 及完整 100 万上下文。如果是要覆盖几十对概念的学习手册，Gemini 的长上下文或 20 美元的 Claude Pro 能省去反复粘贴原始材料的麻烦。
这套 Prompt 适合用在哪
- 考试准备、技术面试准备
- 写教程 / 学习手册
- 带新人、做入职培训
- 干活干到一半冒出“等等，这俩到底差在哪？”的瞬间
1. Side-by-side 表
对比 [A] vs [B]。输出一张 6 行表：定义、何时用、关键差异、常见混淆、坑、真实例子。每格最多 8 字。2. 决断式提问生成
为 [A] vs [B] 生成 5 个“决断式提问”——问一下这个问题，答案就告诉你该用哪个。每问只聚焦 1 个决策维度。3. ELI5 + 博士双版
同一个 [A] vs [B] 的差异讲两遍：(a) 像对聪明的 12 岁讲；(b) 像对 [field] 研究生讲。标出简化版丢失了哪些精度。4. 易混点剖析
为什么大家混淆 [A] 和 [B]？输出 3 类混淆来源（共享术语、相似图示、重叠用途），各配 1 个能分清的类比。5. 选用决策树
为 [A] vs [B] 起一个 4 步决策树。每步用 yes/no 缩小选择。最后给结论，再给 1 个会让结论反过来的边界。6. 边界对比
在边界条件下对比 [A] 和 [B]：规模上限、失效模式、安全含义、性能 trade-off、成本。输出 5 行表。7. 同问题双解
同一道题用 [A] 解一次，再用 [B] 解一次。问题背景 [context]。标出哪步不同、哪步结果不同、不同结果分别告诉用户什么。8. 三向对比
对比 [A]、[B]、[C]。输出 3 列表：定义、用途、关键优势、关键劣势。结尾用 2 句话指出默认选哪个。9. 同输出不同机制
[A] 与 [B] 输出相似但机制不同。各用 2 句话讲机制，再列 3 个机制差异在实践中真的有影响的场景。10. 同词不同义
术语 [term] 在 [上下文 A] 与 [上下文 B] 里含义不同。请分别解释、各给 1 个句级例子、列 3 个混用时会犯的错。11. 历史演化对比
[新概念] 是怎么从 [旧概念] 演化来的？输出：保留了什么、变了什么、新概念解决了什么新问题、旧概念在什么边界仍更优。12. 考前 1 页对比小抄
为 [A] vs [B] 做 1 页考前小抄，便于记忆。输出 1 个记忆术、5 条差异、3 道带答案的样题。一个填好的范例：OAuth vs JWT
为了让你看清“好”长什么样，这里把第 2 条（决断式提问）套到一对常被混淆的概念上。JWT 是一种紧凑的令牌格式；OAuth 2.0 是一套授权框架。两者不是二选一——OAuth 内部常用 JWT，而 OpenID Connect 又补上了 OAuth 本身刻意不管的身份层。
| 问这一句 | 答“是” | 答“否” |
|---|---|---|
| “我需要授予第三方对我资源的有范围访问吗？” | OAuth 2.0（这是授权流程） | 一个裸 JWT 可能就够了 |
| “我需要一个服务端不查库就能验证的自包含凭证吗？” | JWT（声明就随令牌一起传） | 引用型 / 不透明令牌 + introspection 校验 |
| “我需要知道用户是谁，而不只是他能访问什么吗？” | OpenID Connect（OAuth + 一个身份 JWT） | OAuth 只回答访问权限，不回答身份 |
注意，区分性问题从来不是“哪个更好”，而是“我的场景需要什么”。接着再跑第 7 条，让模型把两种令牌交换都写成实际代码——真正要紧的差异会出现在代码里，而不在文字描述里。
容易踩的坑
- 罗列 10 条特性，却没指出那条真正决定选谁的差异。
- 没工程示例。读者能背差异，写代码还是选错（跑第 7 条）。
- 把演化关系的两个概念当无关，把真正的判断规则藏起来。
- 没给一个 A 失效、B 救场（或反之）的边界，理解就停在表面。
- 小抄想覆盖全部，不如锁定 5 条最常考的差异。
- 拿不影响决策的维度对比（比如“两个都很流行”）。
常见问题
技术对比该用哪个模型？ 要最干净的文字解释，选 Claude Sonnet 4.6 或 Opus 4.7；要对安全、系统类话题做密集推理，选 Gemini 3.1 Pro；要在很多对概念之间快速来回，选 Instant 模式的 GPT-5.5。一次性问题免费档就够。
怎么让模型别给又含糊又“两边都对”的答案？ 在任意 Prompt 后加一句“点出决定二者取舍的那个唯一区分性问题”，并禁止它说“看情况”——除非同时说清看什么情况。把格子压到几个字（第 1、6 条）也能逼掉模棱两可。
对比结果能直接拿去考试或上生产吗？ 把输出当成结构化初稿，而不是引用来源。任何具体数字、版本号、安全声明都要回官方文档核对。这些 Prompt 擅长暴露差异的形状，事实由你来确认。
第 1 条和第 6 条有什么区别？ 第 1 条覆盖日常情形（定义、典型用法）；第 6 条专攻边界——规模上限、失效模式、成本——而两个相似工具真正分道扬镳的地方，往往就在这里。