TL;DR： 展示 Why Articulation 模板升级前后的对比，以及三条可迁移建议：给原则不给示例、关键步骤用强制语气、相信模型的自我组织能力。实验局限也已说明。
前两篇回顾
第一篇从 Anthropic 的对齐研究出发：教模型"为什么"比只教它"正确答案"，误对齐率从 22% 降到 3%（约 7 倍），而且用 1/28 的数据量就能达到同等效果[1]。我把这个发现移植到 prompt 设计里，造出了 Why Articulation 模板——要求 AI 动手前先说清目的、风险和方案。
第二篇用四组 A/B 实验测了模板的四个维度：去掉显式三问，质量微升且 token 省 33%；加正面示例，质量跌 0.33 分且 token 涨 50%；软化语气，质量跌 0.33 分。结论是去脚手架 + 强制语气 + 纯反面例子，是基于单变量实验的最优配置。
本文把发现落地：升级模板，逐条解释变化，提炼三条可迁移建议。
升级前 vs 升级后
新版改了一个地方：把显式三问替换成两段式设计——先自由思考，再自检补充。其余全部保留——⛔ 强制语气、文件顶部位置、纯反面例子、risk hint。具体变化如下。
旧版（V0）的核心部分：
Before any work in this phase, you must explicitly answer the three questions below.
This is not optional commentary — without these answers, you MUST NOT proceed to execution.
**1. What is this phase's goal? What does it protect?**
> Do not restate the task description. Explain why this phase exists
> and what is lost by skipping it or executing it carelessly.
**2. Where are the complexity and risk points in this task?**
> Name the 1–2 biggest risk points and which dimension you will focus
> on most (logical correctness, boundary conditions, design consistency,
> interface contracts, etc.).
**3. How do I plan to proceed, and why will this approach achieve the goal?**
> Decision rationale, not a step list. If multiple approaches exist,
> explain why you chose this one.
新版（V1）替换为：
Before any work in this phase, articulate your understanding of this task.
Do not proceed to execution until you have produced this reasoning.
After articulating, check: did you address what this phase protects,
where the key risks lie, and why your approach will work?
If not, supplement before proceeding.
不变的部分——risk hint 和反面例子保持原样：
> **Phase N risk hint**: <phase-specific hint>
### ❌ What superficial Why Articulation looks like
- <phase-specific negative example>
- Restating the task description ("Phase N's goal is to...")
- Listing steps without rationale ("I'll do A, then B")
- Dodging risk assessment ("Risks are low, just proceed normally")
视觉上最明显的变化：显式三问（含引导提示）变成了两段式设计——第一段纯开放式，让模型自由思考；第二段自检，确保关键维度不被遗漏。不变的部分：⛔ 强制语气、文件顶部位置、纯反面例子、risk hint。每个决策背后都有数据。
逐条解读
显式三问 → 先自由思考，再自检补充。 旧版把"目标、风险、方案"拆成三个带编号的问题，每个下面还有引导提示。V1 实验去掉了这个结构，只给了一句话——“articulate your understanding of this task”，纯开放式，不指定任何维度。模型自己组织出了同样的三个维度，质量微升（+0.17），token 省 33%。显式三问不是在帮模型思考，是在限制它。
但纯开放式有个风险：模型可能遗漏关键维度。实验里它恰好每次都覆盖了目标、风险、方案，但这是 n=3 的小样本，不能保证普遍如此。所以最终模板在纯开放式后面加了一段自检——“你有没有覆盖这个阶段保护什么、风险在哪、为什么这个方法有效？没有就补充”。先放手让它自由推理，再用自检兜底。
⛔ 强制语气保留。 V2 实验把 “MUST NOT proceed” 换成 “strongly encouraged”，trigger rate 没变（都是 100%），但质量掉了 0.33。强制语气影响的是深度，不是服从性。模型在两种条件下都做了 Why Articulation，但在强制条件下分析得更认真。所以新版原样保留了 ⛔ 和 “Do not proceed to execution until”。
顶部位置保留。 V3 把 Why Articulation 从文件顶部挪到 Objective 之后。质量掉了 0.17，token 开销无变化。净效果为负，位置没动。
纯反面例子保留。 V4 在反面例子旁加了正面示例，质量跌 0.33，token 涨 50%。正面示例让模型走模仿捷径——用示例的模式套当前任务，而不是独立分析。反面例子已经足够：告诉模型什么不算合格，但不规定什么是合格。这个留白，正是模型发挥推理能力的空间。
三个可迁移建议
上面是具体到 Why Articulation 的决策。下面我把这些发现抽象成三条建议，适用于任何 prompt 设计场景。
1. 给原则，不给示例
在 prompt 里描述你期望的思考维度（“解释保护什么、风险在哪、为什么这个方法有效”），而不是给出"好的输出长什么样"的示例。正面示例看似有用，但模型会走模仿捷径——用示例的模式去套当前任务，而不是做独立分析。
这不只是 V4 实验的结论。Anthropic “Teaching Claude Why”[1] 研究的发现是一样的：教原则（行为准则文档、伦理推理）比教行为（正确答案示例）效果好了约 7 倍。我们在 prompt 层面复现了同样的模式。
2. 关键步骤用强制语气锁定
把 ⛔ “MUST NOT proceed” 改成 💡 “strongly encouraged”，trigger rate 不变，但质量下降了。强制语气影响的是模型的认真程度，不是它是否触发行为。
如果你的 prompt 里有些步骤是"必须做"的——比如写测试前先写测试方案、提交代码前先 review——用强制语气。不是因为 AI 不听话，而是因为强制语气让它在执行时更深入。模型在"应该做"和"必须做"两种措辞下都会做，但"必须做"让它做得更扎实。
3. 相信模型的自我组织能力
我原本以为显式三问给了模型一个有用的结构。实验结果出乎意料：去掉显式结构后，模型自己组织出了同样的三个维度（目标、风险、方案），而且在复杂任务上分析得更深入。
这条建议和第一条是一体两面。给原则是"告诉它想什么"，给结构是"告诉它怎么想"。脚手架不是没用，但有成本——它限制了模型可能探索的方向。你描述清楚期望的维度，然后放手让它自己组织，效果往往比替它安排结构更好。从输入（给什么），到执行（怎么锁定），到结构（放手多少）——越少替模型做决定，它越需要自己思考，自己思考出来的东西质量往往更高。
这次实验的局限
上面的建议有方向性的实验支撑，但没有经过统计检验。必须把局限说明白。
样本量极小。 每个数据点只跑了一次（n=1 per task per condition）。LLM 输出有随机性，单次运行可能是噪音，V1 的"优势"（+0.17）完全来自一个 task 的半个分数点。
Agent 类型不一致。 Task 1 用 coder subagent，Task 2-3 用 oracle subagent。不同 agent 的推理风格不同，可能引入混淆变量。
单模型测试。 只测了 GLM-5.1。不知道这些结论是否泛化到 Claude、GPT、Gemini 等其他模型。
非盲评分。 评分者知道每个输出属于哪个 condition，可能有隐性偏见——哪怕我努力保持客观。
Ordinal scale 求平均。 1-4 分的 ordinal 数据直接求平均，统计上有问题。严格说应该用非参数检验，但样本量太小，检验也没意义。
这些局限意味着：上面的发现是方向性信号，不是确证。它指向了明确的方向（去脚手架优于显式结构、正面示例有害、强制语气有深度效应），但如果你在自己的场景里用，建议跑一次小规模验证。
结语
三篇串起来就是一条线：Anthropic 的对齐研究发现了"教 why > 教 what"，我用实验验证了这个发现在 prompt 层面同样成立，然后基于数据升级了模板。出发点是别人的研究，落地点是你能直接用的东西。
值得提一句：这个方向不止 Anthropic 一家在说。Wang 等人[2]在经验表示的研究中独立得出了高度一致的结论——他们用 4,590 次受控实验证明，紧凑的控制导向表示（Gene，~230 tokens）比完整的文档包（Skill，~2,500 tokens）效果更好（+3.0pp vs -1.1pp），而且给紧凑表示加回文档材料（包括示例和 API 备注）反而削弱效果。这和我们的发现完全对应：少即是多，多加东西不一定更好。
参考
- Anthropic, “Teaching Claude Why”, 2026. anthropic.com/research/teaching-claude-why
- Wang et al., “From Procedural Skills to Strategy Genes: Towards Experience-Driven Test-Time Evolution”, arXiv:2604.15097, 2026. arxiv.org/abs/2604.15097