你让模型”讲一下 Postgres 连接池怎么工作”。回来 800 字，受众是……不知道是谁。它定义了什么是”连接”（对你想要的资深工程师太基础），说了”客户端/服务端架构”却始终不点 PgBouncer（对评审的 DBA 太泛），跳过了你真正需要的运维调优建议。模型在为一个虚构的”平均读者”写，而这个读者并不存在，所以谁也不喜欢。
受众是承重约束：它校准词汇、深度、示例和语气。一旦省掉，模型就选一个折中默认，既浪费基础又浪费深度。
最快修复： 在 prompt 顶部加一段 5 行的 ## 受众 块，写清读者的角色、已经知道什么、要跳过什么、读完去做什么。这一块就能把下面的一切校准好。Google 自家的技术写作指南也说，一个好 prompt 要点明三件事——角色（role）、目标受众（target audience）、文档类型（document type）（Google for Developers）。受众正是大家最常忘的那一个。
有一点值得先说清楚：像”You are a world-class expert”这种装饰性人设，在现代模型上几乎不起作用——在成千上万道事实题上做的对照测试发现，泛泛的角色标签并不能稳定提升准确率。真正起作用的，是会改变输出本身的受众细节：词汇、深度、跳过什么。指定受众是为了改变写法，不是为了奉承模型。
常见原因
1. Prompt 只关心主题，不关心读者
你写”解释 X”，但没说”给谁”。模型默认走”有教育背景但非专家”的虚构读者，那读者并不存在。
如何判断： prompt 点了主题，没点人。
2. 受众靠上下文暗示，而非明说
“我们的用户”或”团队”让模型只能猜是谁。你团队和模型训练集里的”团队”不是同一个。
如何判断： 受众被旁敲侧击（“给我们看的""内部用""老读者”）。
3. 多个受众塞进同一份
同一段同时服务初级和资深，每段都在妥协。输出变成”行话太多的教程”或”基础太多的参考”。
如何判断： 几个相关方各自对不同部分不满。
4. 没说”读者读完去做什么”
不说读完之后读者要干什么，模型就默认走”全面理解”，太宽。读者的目的，才是校准深度的东西。
如何判断： prompt 里没有读者的动词。
5. 没给该受众的语气示例
你写了受众，但没锚定语气。模型挑的默认语气，可能不符合你真实受众的口味。
如何判断： 受众对了，语气还是歪。
你属于哪一类
| 输出里的症状 | 最可能的原因 | 跳到 |
|---|---|---|
| 解释了读者早就懂的东西 | 没受众 / 受众太泛（1、2） | Step 1-2 |
| 事实对、用词错（该用的行话没用，或过度解释） | 词汇没校准（1） | Step 3 |
| 每个评审都圈出不同的一半 | 多受众塞同一份（3） | Step 5 |
| 全面但不可落地 | 没给读者”下一步动作”（4） | Step 1（Next action 行） |
| 受众对了但口吻不对 | 没有语气锚（5） | Step 4 |
动手前先确认
- 用 5 个词说清真实读者：角色 + 经验 + 当前任务。
- 找出他们已经知道什么（好让你告诉模型跳过）。
- 标出读完他们要做什么。
- 找一句他们认为”在自己语气里”的写作。
- 多受众时，先挑出主受众。
需要收集的信息
- 当前 prompt。
- 层级歪掉的那份输出（留作反例）。
- 真实受众：角色、级别、上下文。
- 读完应该能做什么。
- 他们喜欢或不喜欢的过往内容，用来当语气锚。
最短修复路径
Step 1：加一块受众块
## 受众
角色：fintech 资深后端工程师
已知：SQL 熟练，跑过生产 Postgres，调过连接池
不知道：PgBouncer 内部细节
下一步：在 PgBouncer transaction-mode 和 session-mode 之间选
语气：同行对话、不哄、术语默认懂
（后文按此写。）一块就能校准词汇、深度、示例和语气。其中”下一步”这一行最吃重——它告诉模型目的，而目的正是界定深度的东西。把这块写成一个带标题的小节；2026 年大家都用带标题的结构化 prompt 是有原因的：模型会把 ## 受众 当成约束，而不是当成可以随意改写掉的散文。
Step 2：说明跳过什么
不要：
- 解释什么是数据库连接。
- 讲 SQL 是什么。
- 用"从基础开始"这种句式。
- 类比 MongoDB。
要：
- 直接用 Postgres 特定术语（WAL、MVCC、prepared statement），不定义。
- 直接点 PgBouncer 配置参数名（pool_mode、default_pool_size、max_client_conn）。
- 给行级配置建议，不要散文。负向约束能防止基础悄悄溜回来。这里它比正向约束更可靠：因为”为专家写”仍给模型留了过度解释的空间，而”不要解释什么是连接”直接把这扇门关上。
Step 3：校准词汇
明确匹配读者的词汇：
- 专家： 用行话，不定义。定义反而暗示你觉得他们需要，等于轻视受众。
- 非专家： 每个术语首次出现就给定义。
- 混合： 放脚注或一个标注好的术语表小节，专家可以略读跳过。
如果你不确定受众认识哪些术语，就在 prompt 里列出 5-6 个候选术语，告诉模型哪些默认懂、哪些要解释。
Step 4：用语气样例锚定
语气锚（受众就是这样写、这样读的）：
"高负载下连接池满了。切到 PgBouncer transaction 模式，
p99 降了 40%。注意 prepared statement 兼容性。"
按此语气写：直接、具体、无废话。两句真实出自你受众之手的写作，胜过任何形容词（“专业""友好""技术”）。模型模仿样例，远比它遵循语气标签要稳。
Step 5：多受众就拆开
受众：主 = 资深工程师，副 = 初级工程师
第 1 节（给资深）：运维调优、连接池大小的算法
第 2 节（给初级，明确标注）：上文用到的术语词汇表明确的标注让这份内容对两边都好用，又不逼任何一段去妥协。如果两个受众级别差得很远，干脆产两份——见下面”如果还是没修好”。
Step 6：找真实读者验证
在把这个 prompt 放量复用之前，先把一份输出发给真实受众里的人。他说”这是给我看的”，就算落地。如果他说”这明显是给别人看的”，说明你的受众块还是太虚——回到 Step 1，把缺的角色/级别/任务补上。
怎么确认已经修好
- 目标受众里的真实读者读完，说”这是给我的”。
- 词汇匹配他们实际在用的。
- 该跳过的基础跳过了，该默认的知识默认了。
- 读者能直接执行你声明的下一步（那个动词），不用追问。
- 输出语气和你的锚样本一致。
如果还是没修好
- 受众描述还是太虚。 在 角色 + 级别 + 任务 上更具体。“工程师”是虚的；“跑生产 Postgres、调过连接池的资深后端工程师”就不虚。
- 没有语气锚。 加一段他们喜欢的真实写作；模型模仿样例，比遵循形容词更准。
- 受众范围太宽。 收窄。受众越窄，输出校准得越准。“所有人”是最糟糕的受众。
- 是人设在硬撑，而不是细节在起作用。 如果你只加了”You are an expert”却毫无变化，这很正常——光一个角色标签很难撼动现代模型的输出。把具体性放进”跳过什么""默认哪些词汇""下一步动作”里。
- 确实是两个受众。 产两份，让每份都锋利。合并通常比用不同受众块跑两遍更差。
FAQ
对模型说”You are an expert”真的有用吗？ 单独用，几乎没用。在成千上万道事实题上的对照测试发现，泛泛的角色标签并不能稳定提升准确率，到了 2026 年这批能力更强的模型上，效果接近于零。真正有用的，是会改变写法的具体受众细节：跳过什么、默认哪些术语、读者读完去做什么。把人设当成铺垫这些细节的引子，而不是它们的替代品。
受众应该写在 prompt 的哪个位置？
在顶部或靠前，作为任务之前的一个带标题 ## 受众 小节。模型会把它当成贯穿后文的常驻约束，而不是埋在 prompt 中段、和其余指令抢注意力的一句话。
受众要具体到什么程度？ 具体到这段描述本身会改变输出。“跑过 Postgres 连接池调优的资深后端工程师”会让模型跳过基础、点名 PgBouncer 参数。如果换掉这行受众，一句话都不会变，那它就太虚了。
我确实有两个受众怎么办？ 挑一个主受众把它服务好，再给另一个加一个明确标注的副小节（比如术语表）。如果两者级别差很远，就产两份独立输出。同一段文字无法在不亏待任何一方的前提下同时服务初级和资深。
受众对了，语气还是歪，怎么办？ 加语气锚（Step 4）：两句受众自己写的、或他们欣赏的真实写作。具体样例对模型的引导，远比”专业""友好”这类语气形容词稳。
“受众”和”人设（persona）prompting”是一回事吗？ 不是。人设 prompting 是给模型分配一个角色（“act as a lawyer”）。受众指定是告诉模型读者是谁。是读者在校准词汇和深度，而且它是两者中更可靠的那个杠杆。
预防建议
- 默认：每个内容生成 prompt 都用一行写明受众。
- 给常见读者保留受众画像（资深工程师、创始人、设计师），用时直接粘进去。
- 审最近 5 个 prompt：有几个写了受众。少于 5 个，就是你的习惯空缺。
- 团队工作流里，把受众画像当成共享、可复用的资源来建。
- 把”通用受众”当成一种 smell。它通常意味着”我还没想清楚是给谁的”。
- 拿不准时，让模型先提 3 个受众候选，你挑一个。