一个你肯定见过的现象
让GPT-5写一份"产品竞品分析"，它给你：
- 背景介绍
- 竞品A功能列表
- 竞品B功能列表
- 对比表格
- 总结与建议
结构完整、逻辑清晰、语言流畅。但读完你会觉得：这是任何一个实习生花半小时都能写出来的东西。
这不是模型"笨"。模型的能力上限远高于此。真正的问题是：模型在没有强约束的情况下，会自发坍缩到"最安全、最平均、训练语料中最常见"的输出结构上。
我把这称为隐性结构塌缩。
为什么会发生塌缩？
大模型的本质是概率分布的下一个token预测。当指令不够"尖锐"时，模型在输出空间的搜索会自然偏向高概率区域：
- 高频结构（总-分-总、对比表格、SWOT）
- 中性措辞（"值得注意的是""总体而言"）
- 安全结论（"各有优劣""根据实际情况"）
这不是"幻觉"，这是概率的本能。模型不是在"思考"，而是在做高维度的完形填空。你给的空格越多，它填进去的就越平均。
你得到平庸输出，不是模型不行，是你对"结构"的约束太弱。
破解方法：强制低概率结构
让模型产出高质量内容的本质，不是"把要求写详细"，而是人为压低常见结构的概率，强制模型探索高成本、低频率的表达方式。
方法一：逆向结构约束
不要告诉模型"怎么写"，要告诉它"不准怎么写"。
| 平庸约束 | 逆向约束 |
|---|---|
| "请深入分析" | 禁止使用"第一/第二/第三"或"首先/其次/再次"作为段落开头 |
| "要有洞见" | 禁止在结尾给出"综上所述"或"各有优劣"式的安全结论 |
| "逻辑清晰" | 强制：每提出一个观点，必须紧接着写出该观点最可能被反驳的理由 |
逆向约束的本质是剪枝概率空间。你剪掉的不只是"不好的写法"，而是最常见的、最安全的那些结构路径。
方法二：固定输出格式强制非均匀分布
自由文本是最容易塌缩的形式。强制结构化输出可以打破这种惯性。
不是这样：
"请分析三个关键风险"
而是这样：
按以下JSON结构输出，每个value不得超过20个token：
{
"最被高估的风险": "",
"最被低估的风险": "",
"最反直觉的风险": "",
"上述三个风险中唯一值得在Q3投入资源的": ""
}
为什么有效？因为JSON结构强迫模型跳出"段落式思维"。每个字段的长度限制迫使模型做信息蒸馏 ，最后一个字段的互斥选择强迫模型做判断而非罗列。
方法三：锚定极端案例
模型输出平庸，往往是因为它在"平均情况"上做插值。给它一个极端锚点，可以显著拉高输出分布的方差。
平庸指令：
"分析特斯拉的竞争策略"
锚定指令：
先阅读以下两种极端分析框架：
框架X（极度乐观）：认为特斯拉的FSD会在18个月内被中国车企反超
框架Y（极度悲观）：认为特斯拉的品牌溢价将在2026年归零
现在，在反驳上述两个框架的基础上，给出你的第三条路径。
模型必须先"消化"两个极端立场，再从中突围。这迫使它不能直接输出训练语料中的主流叙事。
一个完整示例对照
任务：让模型为一款SaaS产品写增长建议
普通提示词（会塌缩）：
"请给一款B2B SaaS产品写5条增长建议，要求可落地"
模型输出（典型塌缩结果）：
- 优化SEO内容
- 加强客户成功团队
- 推出免费试用
- 建立推荐计划
- 参加行业展会
反塌缩提示词：
任务约束：
- 禁止使用"SEO""免费试用""推荐计划""展会""客户成功"这五个词
- 每一条建议必须同时包含：一个数据指标 + 一个具体时间节点 + 一个明确的成本估算
- 强制格式：每条建议以"反共识的是：......"开头
- 最后必须删除你认为最"政治正确"的那一条
输出会完全不同------更尖锐、更具体、更反常规。甚至可能出错，但出错的方向也比平庸有价值。
实操建议
下次你写提示词时，问自己三个问题：
- 我有没有显式禁止最常用的三种结构？（列表、总分总、对比表）
- 我有没有用格式或长度限制强迫模型放弃"段落式安全区"？
- 我有没有给模型一个极端锚点，让它无法滑向平均输出？
如果你三个回答都是"没有"，那么你得到的平庸输出，责任在你，不在模型。