先记住这个答案
模型通过预测下一个token生成文本，面对模糊指令时，可能遵循的意图分布很宽，输出随机性高。直接指令描述具体动作、边界和格式，相当于把概率集中到目标行为上，而委婉措辞依赖模型从上下文中推断，推断失败则容易偏离。改写原则是：用明确动词替代客套，给出不做什么的约束，必要时提供一两个正例。不要把委婉当礼貌，模型没有社交焦虑，它主要依据指令行事。
- 明确指令缩小模型猜测意图的分布
- 用动作动词说明要做什么，用约束说明不做什么
- 委婉请求等于把任务理解权交给模型
概率生成本质决定指令需要去歧义
语言模型按token概率自回归生成，每个位置从词表中采样。当提示说“优化一下这段代码”，模型对“优化”的理解可能是性能、可读性、健壮性甚至风格。每种理解都对应不同后续token分布，模型没有机制判断你想优先哪个，只能按训练数据中的关联频率混合。结果常是通用建议，而非你要的专项优化。
直接指令例如“把函数循环改成流式处理，保持行为一致”把概率集中在局部重写风格上。另一个原因是注意力机制：委婉请求如“可以的话稍微改进”等修饰词稀释了核心动词的注意力权重，模型更容易忽略任务焦点，改写原则是去掉弱化词，突出核心指令，再补充负面约束排除常见误用。
客户邮件语气改写的具体实验
假设任务：把一封带有情绪的投诉邮件改成中立语气。委婉提示：“这篇邮件有点冲，你能不能稍微润色一下让它听起来更专业？”输入邮件内容后，Claude预期返回的文本保留了“你们太不负责任”这类指责，只改了开头的称呼。因为“润色”“专业”没有定义删除指控性词汇，模型会认为保留原意是合理的。
继续上述假设场景，改用直接表述：“重写以下邮件，保持事实与诉求不变；删除所有情绪化形容词如‘恶劣’‘糟糕’；将第二段抱怨改为客观描述；只输出重写后的邮件。”预期模型会逐项执行，结果去掉情绪词并重构句式。原因是动词化步骤（删除、改写、只输出）构成可验证子任务，委婉说法“润色”没有可操作动作边界。
适用边界：当任务超出模型能力或需创造性
如果任务本身超出模型知识范围，比如要求计算不存在的物理常数，再明确指令也会输出貌似合理但错误的结果。此时指令清晰只能保证格式正确，无法保证内容正确，需要换任务分解或引入外部工具。直接指令也不是万能药。
对于创意写作，过度明确的风格约束（如“第一句用被动语态，第三段用隐喻”）可能束缚生成，导致机械拼接。正确做法是给定可量化的高层约束（主旨、情绪、长度），把微观风格留白。判断边界的方法是自测：如果指令中没有可检验的成功标准，那就需要补充验证项，否则容易无效。
容易答错的地方
- 模型能理解委婉暗示
- 许多人认为模型读得懂弦外之音。实际上训练数据里大量委婉请求常伴随后续澄清，模型预测时会迁移这种惯性，导致输出偏向补全省略内容，而不是严格执行你的目的，所以委婉造成偏差。
- 明确指令会扼杀模型能力
- 把指令写细不等于控制每一步，而是设定清晰结果。模型内部推理仍自由，明确约束只减少歧义，不限制知识召回。真正的危险是约束与条件冲突，导致模型无法满足，此时应拆分任务而不是回到模糊。
面试官还会怎么问？
如果直接指令已经明确，但模型仍然不遵循该怎么办？
先检查是否引入了模型无法同时满足的约束（时间、格式、事实冲突）。若约束都可行则可能是任务过难，需要拆成子步骤，或给一个正例作为参照。直接指令只处理意图歧义，不处理能力短板。
委婉措辞是否完全没有应用场景？
在需要模型主动提供建议或探索问题时，适度开放性有用，例如产品想法讨论。但在有明确交付物的生产环境，应使用直接指令。混合策略是先给直接指令做硬性输出，再留一个开放选项，如“如果我的要求有歧义，请主动指出”。
如何判断一段提示词是否足够直接？
对每个指令抽核心动词，若句子能被替换成祈使句而不改变意义，则可能仍有委婉成分。让另一个工程师不看额外上下文执行提示，若对方必须询问细节，则必然不够直接。此测试能暴露隐性假设。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。