写提示词别指望一稿过？一天改几十条的人只改三轮

写提示词最费时间的环节不是写第一版，是第一版不合用之后怎么改。改法不对，越改越差。结论放前面：一轮只改一处，改完立刻重跑同一批样本，连续没动静就停手。

上周组里一个从纯标注转过来的新人接到工单打标的活，第一版输出不对，他干脆整段重写。连写五遍，指令从两百字写到九百字，三十条测试样本的命中率反而从七成掉到六成一。我让他回滚到第二版，只加一条「包裹在途先判催件」，二十分钟冲到八成三。组里一天过手的指令几十条，都靠重写根本兜不住。改提示词像调老收音机的天线，一下一下拧；整段推倒重写，等于把收音机摔了换台。

第一版不合用，先别动手，把错例分堆

先跑二十到三十条固定样本，把输出错的分三堆：理解偏、格式乱、边界糊。九成的问题都能归进这三堆，先修占比最大的那堆。分完堆你多半会发现，看着杂乱的错误其实就一两类在反复出。

拿我们组的售后工单打标举例。任务是把用户进线分成五类：退换货、物流催件、发票、投诉、咨询。第一版指令两百来字，五类的定义各写一句，跑三十条历史工单，对了二十一条。错的九条里，四条是把「还没收到货就想退钱」分进了退换货，实际该走物流催件；三条是格式跑了，要求输出JSON它给你写小作文；剩两条是「发票丢了还能退吗」这种横跨两类的。

四条同类错误，说明是缺规则，不是指令写得糙。三条格式问题，说明输出约束不够死。两三条边界题，放最后再说，有的到头来也不该模型拍板。顺序反了就白忙：你先去补边界例子，回头发现占大头的规则错误还在原地，等于白跑一轮。

一轮只改一处，改完立刻重跑同一批

每轮只动一个变量：加一条判断规则、换一组例子或者收紧输出格式，改完用同一批样本重跑，命中率才比得起来。一次改三处，涨了不知道谁的功劳，跌了不知道谁背锅。

这不是死板，是省命。我试过一次往指令里塞了三条新规则加两个例子，跑完从七成涨到八成，挺高兴。下一轮想再涨，把三处全回退了逐一重试，发现涨分全靠其中一条规则，另外两条反而把两条原本对的带错了。当时要是只改那一条，第二轮就能到八成三。

重跑的样本从头到尾不许换。有人嫌三十条不够，中途往里加新样本，加完一看命中率掉了，以为是指令变差，其实是卷子变难了。样本一次选好，锁死，存成一个文件，每轮都喂同一份。

记录用最土的表格就行，四列：轮次、改了什么、命中率、剩下什么错。说到工具，我知道有正经的提示词管理平台，能存版本能对比。跑题说一句，工具我不反对，但三十条样本加一张表格就能起步的活，别为了搭记录系统把迭代本身拖慢。

对了，如果错堆里有一类是「模型没见过这种情况该怎么答」，那属于缺例子，不是缺规则。补例子比补形容词管用，给法可以参考这篇例子提示词怎么给的经验，里面先给反例再给正例的顺序，跟工单打标是通用的。

一个工单打标指令的三轮完整改动

第一版七成，第二轮补在途优先规则到八成三，第三轮补两个例子到九成三，第四轮原地踏步，回滚收工。整个过程一个下午，每条改动都对应前面分出的一堆错。

完整摆一遍。

第四版那条规则是我拍脑袋加的，想把最后两条也吞掉。跑完还是二十八条，那两条照旧分错，指令倒是从两百字涨到六百字。我试了下把这条规则删掉重跑，还是二十八条——说明这俩样本错的原因根本不在规则上，是历史工单里用户的话术本身两可。这种留给人工打标，一天里就那么几条，不值得为它加字。

改到第几轮该停？我给自己划了三条线

连续两轮提升不到两个百分点、剩下的错例人也要商量才能定、提示词长度翻倍只换来一两条提升，三条里中一条，就停。停手不算失败，剩下的错例交给人，或者换个活法。

三条线一条条说。第一条看趋势：第二轮涨十三个点，第三轮涨十个点，这种陡坡值得爬；要是连续两轮都只爬一两个点，坡就到顶了。第二条看出错性质：剩下的错例拿给两个老标注员看，俩人答案不一致的，说明题目两可，模型替人拍板只会把不一致固化下来。第三条看成本：指令每多一行，后面接手的人都要读懂它，为一条边界题养六百字的指令，账算不过来。

说实话，第三轮这个数不是我算出来的，是几十个任务改下来凑巧落在这。有的活一轮就到顶，格式改写类的任务第一版就能九成五；也有的活第五轮还在涨，多轮对话类的坑多。但三条停手线到目前为止没让我翻过车，比「改到自己满意为止」靠谱多了——满意这东西没有刻度。

回滚那天我把新人那五版重写稿翻出来给他看，第五版和第二版的核心差别，其实就一条规则加两个例子。他会写，差的是知道什么时候收手。写提示词的手艺一半在改，另一半在停——第三轮没动静的时候，把这版存好，剩下的错例留给人，然后去过下一条。