2026-06-11Prompt SLIP关于 Prompt Engineering有一种流行但越来越不准确的理解Prompt 是给模型下指令。这种说法对于早期模型或许还能勉强成立但随着大语言模型能力不断增强它越来越难解释许多实际现象——为什么一句使用 SWOT 分析就能显著改善输出质量为什么提供一份详细日志后模型的推理能力似乎突然增强为什么增加如果证据不足请明确说明这样的约束后幻觉率会明显下降如果 Prompt 只是指令那么这些现象很难解释。一种更符合实践经验的观点是模型内部已经存在大量知识、方法、模式和结构Prompt 的作用并不是创造这些东西而是在庞大的语义空间中完成定位、导航和约束。从这个角度看Prompt 更像是在构造一个局部环境而不是下达命令。我将这个模型称为SLIP其中S StartPoint起点L Location位置I Intention意图P Perimeter活动范围。对应地模型输出可以表示为Result Trajectory(S, L, I, P)也就是说模型并不是在执行命令而是在由 Prompt 构造出来的局部语义环境中完成一次轨迹演化。Location去哪里思考许多所谓的方法论本质上都是 Location。SWOT、Cohort Analysis、TDD、Design Pattern、贝叶斯分析、博弈论分析——这些内容并没有直接提供答案它们更像地图上的坐标。当我们说使用 Cohort Retention Analysis 分析用户流失真正发生的事情不是模型学会了一种新的分析方法而是模型被带到了增长分析领域中的一个特定区域。如果没有明确的 Location模型可能同时激活产品分析、心理学、统计学、组织管理等多个相关区域输出自然容易发散。Location 决定模型在哪片地形上运动。StartPoint从哪里出发Location 决定地图StartPoint 决定地图上的位置。用户提供的数据、上下文、代码、日志、文档都属于 StartPoint。“以下是用户行为日志”“以下是财务报表”“以下是代码仓库”——这些信息并不决定思考方式却决定了模型从哪里开始展开轨迹。同样使用 SWOT 分析 Apple 和 Tesla会得到完全不同的结果原因并不在 SWOT而在于起点不同。RAG 的本质也可以看作 StartPoint 增强它并没有改变模型而是把模型放到了更准确的起始位置。Intention势场而不是目标现实中的 Prompt 往往没有严格的目标函数却存在明显的方向性。“帮我理解这篇论文”“寻找最大的风险”“从投资者角度分析”“发现论证漏洞”——这些任务并不存在一个明确终点却指向特定的思考倾向。因此 Intention 更像一个势场不同意图对应不同势能分布寻找增长机会形成增长导向势场识别风险形成风险导向势场发现漏洞形成批判导向势场寻找创新方案形成探索导向势场。模型并不是朝着某个固定坐标前进而是在势场作用下不断调整方向。Intention 是一种方向场而不是终点。Perimeter活动范围现实中的 Prompt 很少存在绝对边界更多时候是活动范围。“只能依据提供材料”“优先使用给定数据”“如果不确定请标注 Unknown”“不要编造事实”——这些都不是墙更像围栏。Perimeter 定义了模型允许活动的区域生成轨迹必须尽量保持在这个区域内部。它并不消除随机性但能够显著降低漂移。滑行而非执行传统程序像火车轨道预先铺好起点和终点都已经确定。而大语言模型更像在复杂地形中滑行——地形决定可能方向起点决定当前位置势场决定总体趋势围栏限制活动范围最终形成一条具体轨迹。模型并不是严格执行一条预定路径而是在局部环境中不断选择下一步。Prompt 的本质在这个视角下Prompt 不再是命令而是环境配置Prompt (S, L, I, P)StartPoint 决定起点Location 决定所处区域Intention 决定势场方向Perimeter 决定活动范围。而模型的工作则是Result Trajectory(S, L, I, P)因此Prompt Engineering 的本质或许可以概括为一句话不要试图教模型如何思考而要为模型构造一个合适的滑行环境。
