最近看后台反馈，不少人抱怨大模型越来越笨。点开他们的提示词一看，好家伙，上千字的小作文，恨不得把公司财报、产品手册连同昨天晚饭吃了什么都塞给AI。结果呢，上下文超长直接报错，或者模型在海量废话里迷失，输出的东西驴唇不对马嘴。 这让我想起最近曝光的DeepSeek创始人梁文锋那场4小时投资人会议。老梁在会上把克制两个字嚼得稀碎。他说DeepSeek不追求成为下一个字节或腾讯，不需要投入过多资源做C端B端产品，甚至明确砍掉3D生成、视频生成这些非核心方向。他的原话很实在，减少非核心业务投入，提高实现AGI的可能性。做AI产品要克制，写提示词其实是一个道理。 以前我们总以为提示词写得越细越好，恨不得给AI当保姆。现在回头看，这种堆料思维早就过时了。你给模型塞一堆无关紧要的背景设定，不仅浪费Token，还会稀释核心指令的权重。大模型的注意力机制是有限的，你给它一万字的废话，它根本抓不住那句最关键的帮我写个Python脚本。 写提示词就像做产品，得学会做减法。别总想着用一段话包揽宇宙，把那些自我感动的背景描述和无效设定砍掉，把算力留给真正的核心逻辑。克制的本质不是少写字，而是把每一滴算力都榨在刀刃上。先搞懂模型到底需要什么，再去喂它最精准的指令，这才是高效输出的唯一解。 既然懂了要克制，咱们就直接动手砍。 举个最常见的翻车现场。很多人起手就是“你是一个拥有20年经验的资深Python工程师，精通各种框架，性格严谨，现在需要你帮我写一个爬虫”。这种疯狂叠buff的角色设定就是典型的无效背景。大模型不需要你夸它，更不需要你给它立人设。你加一堆“性格严谨”，除了白白消耗几百个Token，对代码逻辑没有任何实质帮助。 砍掉这些自我感动的废话，直接上核心指令。改成这样：“写一个Python爬虫，抓取某网站商品价格，使用requests和BeautifulSoup，处理基础反爬，结果输出为CSV格式。” 看出区别了吗？以前我们总喜欢给AI当保姆，铺垫半天才说正事。现在直接把任务目标、技术栈和输出格式拍在它脸上。模型的注意力机制（也就是它分配计算资源的方式）是有限的，你塞的废话越多，核心指令的权重就被稀释得越惨。 除了砍背景，结构也得收拾利索。别写成意识流小作文，用明确的模块把需求框死。比如分成任务目标、输入数据和输出要求三块。让模型一眼就能看到重点，而不是在几千字里玩寻宝游戏。 别把大模型当成需要哄着干活的实习生，把它当成一个只看需求文档的无情API。你给的指令越冷酷、越聚焦，它吐出来的东西就越精准。 单条指令精简了，但遇到复杂任务，光靠精简还不够，得学会拆解。别指望一句话搞定所有事。 后台经常有人问，为什么我让AI写个电商后台，它只给我一堆正确的废话？因为你试图用一句话让它完成整个系统的架构、数据库设计和代码编写。大模型的注意力是有限的，你塞进去的需求越庞大，它越容易在细节上翻车。 梁文锋在会上说得很明白，当前AI最重要的发展方向之一是Coding Agent。咱们写提示词，就得学学Agent的干活逻辑。Agent从来不靠一句话解决战斗，它们靠的是任务拆解和流水线执行。 以前我们总喜欢把需求揉成一团扔给模型，现在得学会把它拆成独立的子任务。拿写一份用户数据分析报告举例。先让模型梳理分析维度和核心指标，把框架定死。等它确认好方向，再让它根据确定的维度写Python数据处理代码。最后把跑出来的数据结果喂给它，让它生成最终的分析结论。 以前一句话扔过去，模型只能给你个空洞的模板。现在拆成三个独立指令，每个指令只专注一个极小的子目标。上下文干净了，模型的推理质量自然就上去了。 别把大模型当成能一口吞下大象的怪物，把它当成一个需要明确标准作业流程的执行团队。任务拆得越细，颗粒度越小，模型犯错的概率就越低。学会像调度Agent一样去调度你的提示词，才是高阶玩家的必修课。 任务拆解完，接下来就得考虑大模型吃这些指令的成本了。 梁文锋在会上特意提了句，DeepSeek把API价格降到了原来的四分之一，低成本不是靠烧钱补贴，而是模型架构优化的结果。咱们写提示词也得有这种抠门思维，把每一滴算力都榨干。 很多人写提示词客客气气，满篇都是请您务必帮我分析一下。大模型不吃这一套。把请您、帮我、一下这些毫无信息量的连接词和敬语全砍了。以前写请帮我用Python写一个排序算法，现在直接写Python排序算法。Token省了，意思一点没变。 再教个狠的，用符号代替文字。大模型对特殊符号的敏感度极高，而且占用的Token极少。比如描述数据流向，别写先让数据从A到B然后B处理完传给C，直接写A到B处理再到C。或者用JSON格式来约束输出，比写一大段请输出为JSON格式包含以下字段要省得多。 给例子的时候也别手软。以前给三个长篇大论的示例，现在挑一个最核心、最具代表性的例子，把边缘信息全剔掉。模型只要看懂你的逻辑模式就行，不需要看你写小说。 Token就是钱，也是模型的脑容量。你塞进去的每一个废字，都在消耗它的推理上限。把提示词当成按字节计费的电报来写，字字见血，这才是真正懂AI成本控制的玩家。 控制了单次输入的成本，长对话中的持续记忆又是另一个绕不开的坎。 梁文锋在会上点出了当前AI最大的软肋，缺乏持续学习能力。人类能积累经验，AI却每次都得重新看一遍完整上下文。既然底层模型还没进化出真正的长期记忆，咱们就得在提示词层面帮它做记忆管理。 很多人跟AI聊了十几轮后，发现它开始胡言乱语，或者干脆忘了最初的设定。这时候别傻傻地把历史对话全复制粘贴进去，那只会让上下文再次**。 先让模型自己提炼。当对话推进到关键节点，直接扔个指令，让它总结当前对话的核心结论和已确认规则，并输出为JSON格式。把那些拉扯的废话和废弃方案全过滤掉。 然后清理上下文。拿着这份精简后的摘要，果断开启一个全新的对话窗口，把摘要作为唯一背景喂给它。旧窗口的历史包袱直接扔掉，别让无效信息继续占用它的注意力。 最后动态更新。每完成一个子任务，就让它更新一次记忆库，只保留最新状态。 别指望大模型能像人一样过目不忘。用外部摘要和定期重置来模拟持续学习，把有限的上下文窗口留给最核心的逻辑，这才是当下最务实的记忆管理方案。