什么时候该让 AI「一步步思考」？三个信号
技巧卡：什么时候该让 AI「一步步思考」？ 在 Prompt 末尾加一句"请一步步推理"——这就是 Chain-of-Thought（CoT）。简单到不像话，但在合适的场景下效果惊人。 ...
文章
所有文章
5 个真实场景的 RBGO 改写：模糊提问 vs 精确提问
RBGO（角色-背景-目标-输出）框架上一篇已经讲过。但知道框架和会用框架之间，隔着一道坎：怎么把"我想要……“翻译成四要素？ ...
升级落地——新模板与三个可迁移建议
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。 ...
今日实践：用 RBGO 重写你的第一个问题
今日实践 回忆一下你今天（或最近一次）问 AI 的第一个问题——越随意越好，不用挑。 把那个原问题原封不动地再问一遍，把回答存下来。 然后，用 RBGO 框架重写同一个问题： ...
AI 之路初阶升级指南（二）：从模糊提问到精确指令
📖 本文是「AI 之路初阶升级指南」系列的第 2 篇（共 5 篇）。 第一篇：理解你手里的工具 · 第二篇：从模糊提问到精确指令 · 第三篇：把 AI 变成协作伙伴（即将发布） · 第四篇：建立个人体系（即将发布） · 第五篇：毕业考核与下一步（即将发布） ...
4 变量 A/B 实验——正面示例为什么有害
TL;DR： 四变量 A/B 实验测试 Why Articulation 的结构、语气、位置和示例。正面示例反而有害——模型倾向模仿而非独立思考。开放式 prompt 方向性提升质量，同时节省 33% token。 ...
选 AI，看场景不看排名
技巧卡：选 AI，看场景不看排名 试了一圈 ChatGPT、Claude、Gemini，最后还是不知道该用哪个？ 别纠结了——这个问题本身就问错了。不存在"最好的 AI"，只有"最适合当前任务的"。 ...
从 Anthropic 的对齐研究到一个 Prompt 设计思路
TL;DR： Anthropic 的对齐研究表明，教模型"为什么"比教"做什么"更有效——误对齐率从 22% 降到 3%。本文拆解四组实验，提炼出三个可迁移的 prompt 设计教训。 ...
AI 的「桌面」和「文件柜」
技巧卡：AI 的「桌面」和「文件柜」 你是不是也遇到过这种情况——跟 AI 聊了半天，它突然开始答非所问，好像完全不记得你十分钟前说过的话？或者换了个对话框，又得把背景从头解释一遍？ ...
别再把 AI 当搜索引擎了：3 个认知转变
上一篇我们聊了一个底层认知：LLM 是概率性生成，不是检索。它不"查"答案，每次都在"重新想一遍"。所以回答有波动是正常的，你需要自己验证。 ...