Prompt 的奥卡姆剃刀：为什么你的精心设计反而限制了 AI

起因

我用 Claude Code 搭了一套自动化研究推送系统——每天定时搜索 AI 行业资讯，推送到 Telegram 和博客。

作为一个”认真”的工程师，我花了不少时间精心设计 prompt：

搜索策略（至少搜 5 次，覆盖不同维度）：
1. 搜索美国主流实验室：OpenAI, Anthropic, Google DeepMind, Meta, Mistral, xAI
2. 搜索中国 AI 动态：字节、百度、阿里、智谱、DeepSeek、月之暗面等
3. 搜索欧洲/日韩 AI 进展
4. 搜索 arxiv 上高引用/高讨论度的新论文
5. 搜索行业人物动态：Karpathy, Altman, Amodei, LeCun, Ilya Sutskever
6. 搜索 AI 政策/监管/开源社区重要动向

筛选标准：
- ✅ 底层技术突破（架构、训练方法、推理优化）
- ✅ 重要产品发布或重大更新（不是小版本迭代）
- ❌ 营销包装、融资新闻

输出要求：
- 总量 5-10 条，按重要性排序
- 每条包含：一句话说清楚是什么 + 为什么重要
- 附原文链接

格式：Telegram HTML...
每条格式：
<b>序号. 标题</b>
摘要（1-2句）

搜索维度、筛选标准、输出格式、条目数量、每条结构——全都规定好了。看起来很专业，很工程化。

结果呢？5 条简短摘要。每条一两句话，勉强能看。

对照

与此同时，我在 Claude App 的 Scheduled Tasks 里用了一段极其随意的 prompt：

作为一个信息分析专家，基于你对我的理解，帮我搜索查询AI领域最新的发展的资讯，
包括所有的主流的AI实验室的动态和新的模型，包括所有的国家的尝试，包括美国、
欧洲、日韩、中国等，但是要避免无意义的营销行为。我是一个AI领域的从业者，
对于AGI有强烈执念，希望了解最新的最底层的行业发展。此外，对于AI领域的重要人物，
比如：Andrej Karpathy等人以及他们的订阅清单的博客、文章等，进行汇总，
将与AI相关的关键信息一并发给我。

没有搜索策略，没有筛选标准，没有格式约束，没有条目限制。

结果？八大板块、50+ 条深度情报、关键人物独立追踪、趋势总结。质量碾压。

为什么

我一开始以为是执行环境的差异——App 和 CLI 的 agent 循环不同。于是换了更强的模型（Opus），加了更多搜索指令，甚至加了”不要急于输出，搜全了再汇总”。

没用。

直到我把 prompt 换成和 App 一样的简单版本，同一个 CLI、同一个模型，立刻输出了同等质量的深度报告。

问题根本不在执行环境，在 prompt 本身。

精心设计的 prompt 做了什么？

你以为在”引导”，实际在”限制”。模型在遵守你的规则上消耗了大量注意力，而不是在完成任务上。

本质

这不是一个 prompt 技巧的问题，是一个对工具认知的问题。

当你面对一个强大的 AI 模型时，你的直觉是什么？大多数人的直觉是：我要告诉它怎么做。于是写出搜索策略、筛选标准、输出模板、条目限制。

但强模型不需要你教它怎么搜索、怎么筛选、怎么组织。它需要的是：你是谁，你要什么，什么对你重要。

❌ "搜索 5 次，覆盖以下维度..."
✅ "我是 AI 从业者，对 AGI 有执念"

❌ "每条包含：一句话 + 为什么重要"
✅ "告诉我研究本身以及它们蕴含的意义"

❌ "总量 5-10 条，按重要性排序"
✅ （不说，让模型自己判断）

前者是在写 SOP，后者是在和一个专家对话。

推论

如果这个观察成立，那么市面上大量的”prompt 工程”实践需要重新审视：

• 角色设定 + 详细指令 + 输出模板 这个经典三段式，在弱模型时代是必要的，在强模型时代可能是反模式
• “结构化 prompt”课程 教人把 prompt 写成产品需求文档，可能正在教人做错误的事
• Prompt 越长越好 这个朴素直觉，在很多场景下是错的

奥卡姆剃刀同样适用于 prompt：不要添加不必要的约束。

什么时候需要详细 prompt？

也不是说所有场景都该用简单 prompt。区分在于：

• 开放式探索任务（搜索、研究、分析）：简单 prompt，让模型自主判断深度和广度
• 精确执行任务（代码生成、格式转换、数据处理）：详细 prompt，精确控制输出

关键判断：你需要的是模型的判断力，还是模型的执行力？ 需要判断力时少约束，需要执行力时多约束。

一句话

信任模型的能力，告诉它你是谁，而不是教它怎么做。