影响提示词效果的因素有哪些？上下文、顺序、模型都有份

影响提示词效果的因素掰开数就四类：上下文、信息顺序、篇幅颗粒度、模型差异。脚本忽好忽坏，先别急着骂AI抽风，把这四条挨个排查一遍，基本能找到病根。

前几天给一门数据分析转行课写第3节脚本，同一个需求，上午跑出来的稿子被教研直接打回，下午换个写法一遍过。变的不是需求，是提示词里几处细节。下面这四条，全是我拿真实课稿试出来的。

上下文给多少，决定脚本贴不贴课

上下文是影响提示词效果的第一因素：背景给太少，AI只能写通用稿；给太杂，真正的要求又被淹没。挑着给，比全给或不给都强。

我踩过两个方向的坑。一开始偷懒，「帮我写一段10分钟的课稿，讲数据透视表」，出来的东西看着像课，其实是百科腔，什么人都能听，就是不贴我们那批学员——30岁上下、下班挤地铁听课、看见函数就头大的一群人。后来我把学员画像、这是第几节课、上一节讲到哪、老师爱用生活比喻这几行补进去，同样的需求跑五次，能直接进审稿流程的从一次涨到四次。

但也不是越多越好。有一回我图省事，把三千多字的课程大纲整份粘进去，结果它抓着大纲里第14页的一个案例写飞了，正主要求反而没人理。像给新来的实习生交代活儿，你把全公司年报拍他桌上，他多半先翻年报去了。现在我的习惯是背景压在五到八行，每行只说一件事。

顺序换了，同一份提示词结果就不一样

信息摆放的顺序也在影响提示词效果：AI对开头和结尾的内容记得最牢，夹在中间的要求最容易被漏掉。关键要求要么放开头，要么留到最后。

这个发现纯属翻车翻出来的。去年有阵子脚本老超字数，我盯着提示词看了半天才发现，「全稿不超过2600字」这句被我写在中间，前面垫了六行背景。我做了组对照：这句话放中间，30次里19次超字数，最狠一次超到3100；挪到最后单独一句，30次里26次守住。位置一动，效果差这么多，说实话我一开始也不信。

现在我排信息的次序是：要求打底放最前，背景资料放中间，最容易忘的硬约束（字数、禁用词、格式）留最后压轴。这套摆法用到现在，超字数的毛病基本没再犯。

提示词越长越好吗？

不是。篇幅颗粒度比总长度要紧：模糊的短提示词和注水的长提示词都不稳，把「每段干什么」写清的中等篇幅最稳。

我拿同一节课的需求做过三档对照，每档各跑十次：

对了，我们课程口播一分钟大约260字，10分钟脚本我在提示词里直接写「全稿2500到2700字」，比写「10分钟左右」管用得多。区间比单点好，它有腾挪的余地。

换了模型，提示词就得重调

模型差异是最后一个绕不开的因素：同一份提示词换模型跑，效果会变；主力模型升级版本，最好也重测一遍。

同一份写课稿的提示词，我这边实测：GPT出的结构最齐整，段落划分、时间轴都乖，但语气偏书面，得在后处理时掰口语；Claude对约束的遵守最好，字数几乎不用我盯；国产模型写中文口播更顺，连接词不像翻译腔，就是有时候自作主张加互动提问。没有谁碾压谁，看你要什么。

所以我留了一份「需求底稿」，各家模型的偏好单独做成补丁，换模型只换补丁。具体怎么让一套写法适配GPT、Claude和国产模型，我之前整理过适配三家的写法，这里不重复展开。另外说一句，大版本更新后老提示词突然失灵很正常，别怀疑人生，重测一轮再下结论。

回到开头那门被打回的脚本。第二天我按这四条把提示词重新捋了一遍——补上学员画像，硬约束挪到最后，字数写成区间——一遍过。影响提示词效果的因素没多玄乎，都是能挨个排查、挨个修的普通毛病。