最近在测试各种 Prompt 写法时，我发现一个很有意思的现象。
很多人刚开始用 AI 时都会有一个直觉：
Prompt 写得越详细越好。
于是提示词就慢慢变成这样：
你是一名专业的科技媒体编辑，拥有多年报道经验，熟悉科技行业发展趋势，对人工智能领域有深入了解……
写着写着，前面铺垫了一大段背景。
而真正的任务可能只有一句话。
一开始我也觉得这样能帮助模型理解得更准确，但测试多了之后发现一个反直觉的结果：
Prompt 越长，AI 有时候反而越容易跑偏。
一个简单测试
我做了一个很简单的小实验。
任务：
写一条科技新闻标题。
Prompt A（简洁版本）
任务：写科技新闻标题
内容：OpenAI发布新模型
要求：30字以内
模型输出：
OpenAI发布新模型，AI能力再次升级
结果基本符合预期。
Prompt B（长Prompt版本）
你是一名资深科技媒体编辑，
熟悉科技行业发展趋势，
经常报道人工智能领域新闻。
任务：
写一条科技新闻标题
内容：
OpenAI发布新模型
模型输出：
人工智能行业再迎突破，OpenAI推出全新AI模型
表面看起来没问题，但标题明显变得更泛。
模型没有那么聚焦在“新闻标题任务”本身。
为什么会这样
很多人会把AI理解成在“阅读Prompt”。
但更准确的说法是：
模型在为每个词分配注意力。
Prompt中的每一段信息都会参与计算。
当Prompt很短时，模型的注意力主要集中在：
任务
输入
输出要求
但当Prompt变长时：
身份设定
背景介绍
冗长解释
都会开始竞争注意力。
结果就是：
真正重要的信息反而被稀释。
Prompt其实有“信息密度”
后来我慢慢用一个更简单的方式理解Prompt：
信息密度。
一个Prompt通常包含两种信息：
信号：
任务
输入
示例
规则
噪声：
冗长背景
重复解释
无关说明
优秀的Prompt通常有一个特点：
信号密度非常高。
一个简单总结
做了一段时间测试之后，我慢慢形成一个习惯：
写Prompt时先问自己一个问题：
这句话真的有必要吗？
如果没有，就删掉。
很多时候，更短的Prompt反而更稳定。
但继续测试时，我又发现一件更有意思的事情。
有些Prompt高手不仅会精简内容，还会把提示词写成一种 结构化形式。
比如把信息拆成：
任务
规则
输入
示例
这样模型更容易理解。
下一篇记录一个简单实验：
结构化Prompt到底有没有用。
