2026-06-11
Prompt = SLIP
关于 Prompt Engineering，有一种流行但越来越不准确的理解：Prompt 是给模型下指令。这种说法对于早期模型或许还能勉强成立，但随着大语言模型能力不断增强，它越来越难解释许多实际现象------为什么一句"使用 SWOT 分析"就能显著改善输出质量？为什么提供一份详细日志后，模型的推理能力似乎突然增强？为什么增加"如果证据不足请明确说明"这样的约束后，幻觉率会明显下降？如果 Prompt 只是指令，那么这些现象很难解释。
一种更符合实践经验的观点是：模型内部已经存在大量知识、方法、模式和结构，Prompt 的作用并不是创造这些东西，而是在庞大的语义空间中完成定位、导航和约束。从这个角度看，Prompt 更像是在构造一个局部环境，而不是下达命令。我将这个模型称为 SLIP ，其中 S = StartPoint（起点），L = Location（位置），I = Intention（意图），P = Perimeter（活动范围）。对应地，模型输出可以表示为：
Result = Trajectory(S, L, I, P)
也就是说，模型并不是在执行命令，而是在由 Prompt 构造出来的局部语义环境中完成一次轨迹演化。
Location：去哪里思考
许多所谓的方法论，本质上都是 Location。SWOT、Cohort Analysis、TDD、Design Pattern、贝叶斯分析、博弈论分析------这些内容并没有直接提供答案，它们更像地图上的坐标。当我们说"使用 Cohort Retention Analysis 分析用户流失"，真正发生的事情不是模型学会了一种新的分析方法，而是模型被带到了增长分析领域中的一个特定区域。如果没有明确的 Location，模型可能同时激活产品分析、心理学、统计学、组织管理等多个相关区域，输出自然容易发散。Location 决定模型在哪片地形上运动。
StartPoint：从哪里出发
Location 决定地图，StartPoint 决定地图上的位置。用户提供的数据、上下文、代码、日志、文档，都属于 StartPoint。"以下是用户行为日志""以下是财务报表""以下是代码仓库"------这些信息并不决定思考方式，却决定了模型从哪里开始展开轨迹。同样使用 SWOT 分析 Apple 和 Tesla，会得到完全不同的结果，原因并不在 SWOT，而在于起点不同。RAG 的本质也可以看作 StartPoint 增强：它并没有改变模型，而是把模型放到了更准确的起始位置。
Intention：势场而不是目标
现实中的 Prompt 往往没有严格的目标函数，却存在明显的方向性。"帮我理解这篇论文""寻找最大的风险""从投资者角度分析""发现论证漏洞"------这些任务并不存在一个明确终点，却指向特定的思考倾向。因此 Intention 更像一个势场，不同意图对应不同势能分布："寻找增长机会"形成增长导向势场，"识别风险"形成风险导向势场，"发现漏洞"形成批判导向势场，"寻找创新方案"形成探索导向势场。模型并不是朝着某个固定坐标前进，而是在势场作用下不断调整方向。Intention 是一种方向场，而不是终点。
Perimeter：活动范围
现实中的 Prompt 很少存在绝对边界，更多时候是活动范围。"只能依据提供材料""优先使用给定数据""如果不确定请标注 Unknown""不要编造事实"------这些都不是墙，更像围栏。Perimeter 定义了模型允许活动的区域，生成轨迹必须尽量保持在这个区域内部。它并不消除随机性，但能够显著降低漂移。
滑行而非执行
传统程序像火车，轨道预先铺好，起点和终点都已经确定。而大语言模型更像在复杂地形中滑行------地形决定可能方向，起点决定当前位置，势场决定总体趋势，围栏限制活动范围，最终形成一条具体轨迹。模型并不是严格执行一条预定路径，而是在局部环境中不断选择下一步。
Prompt 的本质
在这个视角下，Prompt 不再是命令，而是环境配置：
Prompt = (S, L, I, P)
StartPoint 决定起点，Location 决定所处区域，Intention 决定势场方向，Perimeter 决定活动范围。而模型的工作则是：
Result = Trajectory(S, L, I, P)
因此，Prompt Engineering 的本质或许可以概括为一句话：
不要试图教模型如何思考，而要为模型构造一个合适的滑行环境。