0、先破个误区：Prompt 写得越长、越"说明白"，不代表 AI 理解越准。
很多人把 Prompt 当需求文档写，背景、情绪、比喻、历史包袱一股脑塞进去，结果 AI 反而抓错重点；干扰不是来自信息太少，而是来自信息"层级混乱"，让模型在主线和枝节之间来回摆。
1、先把任务变成一句话主命令：主线越短，偏航越少。
你要先写一句"这次只做什么"的命令，像钉子一样钉住方向，比如"生成一个可运行的 X 功能实现并附带单元测试"；主命令最好能被读者复述一遍也不变味，后面再补条件，否则 AI 很容易把条件当主任务。
2、把信息分层：目标、输入、输出、约束、验收标准，分块写别混写。
Prompt 最常见的干扰源是"同一句话里既写目标又写约束还夹着背景"；更稳的方式是用固定分区：
- 目标：这次要完成的事
- 输入：已有数据/接口/代码片段
- 输出：你希望它交付什么产物（代码、文档、测试、脚本）
- 约束：语言、框架、性能、权限、不能做什么
- 验收：怎么判断对（用例、边界、指标）
分层后，AI 更像在按表格填空，不像在读散文猜意思。
3、把"背景"从 Prompt 主体里赶出去：背景只保留会改变决策的那部分。
背景信息如果不影响实现选择，就会变成噪音；例如"老板很急""这是公司战略项目""我们之前失败过"，对模型没帮助，只会诱导它输出安慰式话术或过度承诺。背景只留硬信息：现有架构、依赖限制、数据规模、合规边界、不可变的接口。
4、少用形容词，多用可判定条款：用"能否验证"替代"看起来不错"。
"高性能、优雅、简洁、工业级、像人写的"这些词都在给 AI 出谜题，因为没有统一尺度；换成可判定条款：QPS、延迟、复杂度、日志字段、错误码结构、测试覆盖范围。你给的是尺子，不是审美，干扰会立刻下降。
5、把"不想要的"写成黑名单：别指望 AI 从语气里悟禁区。
人类习惯用暗示，比如"最好别用太重的框架"；模型可能理解成"可以用，只要别太重"。更直接：
- 禁止：使用某库/某模式
- 禁止：输出长篇解释
- 禁止：改动某目录/某接口
黑名单要短，写最要命的三到五条；禁区太多也会制造干扰，让模型不知道先保哪个。
6、减少"多任务捆绑"：一次只要一个主要交付物，其他的变成可选项。
常见翻车 Prompt 是把"写代码 + 写测试 + 写文档 + 做性能优化 + 输出迁移方案"塞在一起；模型会在多个目标间平均用力，最后每个都半吊子。更稳的做法是设主交付物，比如"先交付代码+测试"，文档放在"可选：如果篇幅允许再补"。
7、把示例当成锚点：给一两个正例/反例，比加十句解释更管用。
示例能把抽象要求变成具体模式，减少理解分歧。比如你要它生成接口响应结构，与其说"格式要统一"，不如直接贴一个 JSON 示例；再贴一个反例并写"不要这样"，模型会更快收敛。
8、用术语要给定义：同一个词，不同团队差一整套做法。
"幂等、灰度、事务、一致性、领域模型、清洁架构"这些词在不同人嘴里含义不一样。你在 Prompt 里提到术语，就顺手给一句定义或范围：幂等是按 requestId 去重还是按业务键去重？一致性是最终一致还是强一致？定义一补上，干扰立刻少一半。
9、把"自由发挥空间"显式标出来：让模型知道哪些能猜、哪些不能猜。
AI 最爱补全空白，但很多空白你其实不希望它补。你可以划线：
- 可自行决定：内部函数命名、文件拆分方式
- 不可自行决定：接口字段名、鉴权方式、数据表结构
这样模型不会在关键口径上自作主张，人类后续纠错就少。
10、做一次"反向复述"再开工：先让 AI 复述需求，再让它输出结果。
如果你直接让它产出代码，错了你要从成品里挖原因；更省事的是先让它用几条 bullet 复述"它理解的目标、约束、验收"，你看一眼就能发现偏差。这一步看似多一道流程，实际上是在用最低成本把最大偏差提前拦住。
11、控制上下文污染：别把旧对话当资产，很多时候它是噪音源。
同一聊天里反复迭代，会累积很多过期假设：之前的字段名、旧方案、被否决的方向，都会继续影响模型。做法很实用：到关键节点就开新会话，把"最终版本需求+最终接口+最终约束"重新贴一遍；上下文越干净，理解越稳定。
12、给一份自用 Prompt 体检表：写完对照一遍，干扰会明显下降。
（1）主命令是否一句话就能说清；（2）目标/输入/输出/约束/验收是否分块；（3）背景是否只保留会改变方案的硬信息；（4）是否存在大量形容词但缺指标；（5）黑名单是否明确且不超过五条；（6）是否把多任务拆分成主交付物+可选项；（7）是否提供正例/反例；（8）关键术语是否给了定义；（9）哪些可自由发挥、哪些不可猜是否写清；（10）是否先让 AI 复述再输出；（11）上下文是否清爽、过期内容是否清理；（12）验收是否能直接变成测试或检查清单。能过十条以上，你的 Prompt 基本就不会"自己干扰自己"了。