AI 图像负向提示词无效：排查与修复
你写了'no text, no watermark, no extra fingers'，结果三样都还在——负向提示词要么没接进去，要么太长，要么在和过度训练的概念硬刚。靠消融法定位。
#Prompt 工程
带有该标签的文章
AI 视频镜头运动方向反了：排查指南
你要的是慢推近，出来的是慢拉远。或者'左摇'变成'右摇'。AI 视频模型对运动词汇的映射不稳定——用明确的起末帧和参照镜头来锁。
few-shot 例子质量参差，把输出拉下来了
5 个 few-shot 例子，2 个很好、3 个一般。模型按平均靠拢，倒向那 3 个一般的。质量方差为什么伤、怎么挑例子。
模型返回非法 JSON——因为 schema 是描述、不是强制
你让它按 schema 返 JSON。95% 合法，3% 在 JSON 外面包了散文，1% 漏字段，1% 类型错。描述 vs 强制，在 API 层修。
模型编造假引用和假 URL
模型给的引用看起来像 Smith et al. 2019——但论文根本不存在。或者给的 URL 404。引用幻觉为什么发生、怎么压住。
模型用错语言回复
你用英文 prompt，结果它用中文回；或者中途从英文切到西班牙文。语言漂移的根因和怎么锁死输出语言。
回答被截断在半句话，因为 max_tokens 设太低
模型回复中途断掉，JSON 没闭合、代码块缺反引号。绝大多数是 max_tokens。怎么估算、怎么检测、怎么恢复。
Prompt 要 10 条，模型给 3 条就停
你让它给 10 个想法，它给了 3 个然后断了。或者凑齐 10 条但后面 4 条是水。list-N 任务为什么 under-deliver、怎么真的拿到 N 条。
Prompt 里写着过时的年份，把模型锚在错的 context
2026 年了 prompt 模板里还写 2023。模型按 2023 回答——推荐过时的 API、过时定价、过时的事实。日期 staleness 会复利，怎么让 prompt 常青。
要执行结果，AI 却给了清单
让 AI 写落地页或重构函数，它却返回 10 条"步骤要点"——这是规划模式失效。本文讲清楚是哪些 prompt 框架把模型推进建议模式，以及怎么改写让它直接交工件。
AI 漏掉了最重要的那条约束：4 个原因 + 对症修复
你列了 5 条规则，模型守了 4 条，偷偷扔掉了真正最关键的那条。
评判标准模糊导致答案弱：4 个原因 + 对症修复
你给了标准，但标准本身含糊——"吸引"、"专业"、"创新"——模型只能自由解读。
相互矛盾的指令削弱 AI 输出：4 个原因 + 对症修复
Prompt 里两条规则互相打架，模型只能折中，结果谁都不满意。
模型按"最后一句"走，无视前面的规则
Prompt 末尾的一句"顺便提一下"会覆盖你开头写好的规则。
没给示例，AI 输出就漂移变形
光靠形容词描述风格，模型只能按平均态近似；本文讲为什么 1-3 个具体示例能把目标形状锁住，以及怎么选示例、避免反例互相矛盾。
负向约束写得太虚：4 个原因 + 对症修复
"不要太通用"只说了别做什么，没说要做什么——模型会换近义词绕开禁词、行为照旧。本文讲为什么纯负向约束必败，以及怎么把每条不要翻成可执行的正向引导。
没规定输出格式——所以得到一面墙的散文
想要结构化答案，结果是 600 字 prose，没法复制到任何下游工具。
Prompt 没说"成功长什么样"
让 AI 写"不错的摘要"，反复改 20 分钟没一个能定稿——因为 prompt 没说成功长什么样，模型只在"听着自信"上爬山。本文给一套 4 行可机械化的成功标准模板。
Prompt 要"最好"但没定决策规则
没决策规则，"最好"就是模型觉得"听着自信"的那个。
从别的任务复制来的 Prompt 在这里失败
别处好用的 prompt 在你当前任务里产废话，因为前提没迁移。
Prompt 用情感词而非操作性指令
"求你写得超棒！"听起来真诚，但模型完全不知道要做什么。
Prompt 缺少上下文分级：4 个原因 + 对症修复
所有内容平铺成一面墙，模型分不清哪几行是关键、哪几行是背景。
Prompt 缺少素材优先级：4 个原因 + 对症修复
挂了 3 个文档，模型把它们当成同等权威——包括那份过期草稿。
Prompt 没定义受众：4 个原因 + 对症修复
让 AI 讲 Postgres 连接池，给出对资深工程师太浅、对 DBA 又太泛的 800 字——因为没指定受众，模型在为不存在的平均读者写。本文用一行受众陈述校准一切。
只设"角色"不够：4 个原因 + 对症修复
"你是一名资深工程师"能定调，但不会改变交付质量。你还是需要规则、格式、示例。
示例太多反而压住任务：4 个原因 + 对症修复
塞 8 个示例覆盖每种情况，输出反而像示例拼贴或挑最像的去抄而不推理——示例有甜点位是 1-3 个。本文讲为什么多反而坏，并教你怎么挑代表性示例钉住输出。
一个 Prompt 塞了太多任务：4 个原因 + 对症修复
一个 prompt 塞 5 件事，模型把第一件做好、第二件搞砸、剩下的随便答。
任务边界不清，AI 自行扩大 scope
让 AI 改一个函数、它顺手重格式化相邻函数、改常量名、加注释——RLHF 让它默认"留下比拿到时更好的东西"。本文教你在 prompt 里显式画 in-scope / out-of-scope 边界。