6.10 模型差异与反模式清单

同一个提示词，在不同模型上效果可能差很多。这节讲怎么按模型调整提示，并用一张反模式清单给整章收尾——避开这些坑，你的提示水平就已经超过大多数人了。

推理模型 vs 普通模型：提示方式相反

这是最重要的一条差异（1.7）：

	普通模型	推理模型
要不要 CoT	要，引导它"一步步想"提升准确率	不要，它自带思考，硬塞反而干扰、啰嗦
复杂任务	你帮它拆步骤、给思路	直接给目标和约束，让它自己规划
提示风格	多引导、多给结构	简洁说清需求即可，别过度指挥

普通模型："请先分析这段代码的逻辑，列出数据流，再指出 bug"（引导路径）
推理模型："找出这段代码的 bug 并修复"（直接给目标，它自己会想）

⚠️ 给推理模型堆一堆"请仔细思考、逐步分析、考虑各种情况"，常常适得其反——它本来就在深度思考，你这些话只是噪声。

中文 vs 英文提示

国产模型 + 中文任务：直接用中文写提示通常最自然、效果最好（0.5，它们中文语料足）
复杂结构化指令：有时英文更紧凑、歧义更少；但对中文强的模型，中文一样能写清楚
术语：技术术语保留英文原文（"用 React 的 useEffect"比硬翻成中文更准）
结论：别迷信"英文提示一定更强"——用你和模型都顺的语言，把意思说清楚才是关键

各家模型的脾气不同

不同模型对提示的"遵循度"和习惯有差异：

对 System Prompt 的服从度不同（有的很听话，有的容易飘）
默认输出风格不同（啰嗦/简洁、爱不爱用 Markdown）
工具调用、JSON 模式的支持和严格度不同（1.9 提过）
本地小模型（1.10）遵循复杂指令的能力明显弱

💡 实务建议：换模型 = 重新验证提示（6.6 的测试集这时就值钱了）。别假设在 A 模型上调好的提示，搬到 B 模型上还一样好。

反模式清单（避开这些就赢了一半）

反模式	问题	正确做法
堆"魔法咒语"	碰运气、版本敏感	理解四杠杆，针对任务设计（6.1）
一堆"不要…"	负面指令效果差、还强化了不想要的	多写"该做什么"（6.2）
指令自相矛盾	"简洁但详细""自由发挥但严格按格式"	想清楚优先级，去掉冲突
一个提示塞太多任务	模型顾此失彼	拆成多步/多个提示（6.3）
用形容词代替范例	"要专业要地道"它领会不到	给一个范例（6.3）
不给上下文让它猜	脑补出错误前提	给足背景和约束（6.1）
把数据当指令拼进去	注入风险、混淆	分隔符圈数据 + 标注（6.5）
不留"不知道"的出口	逼出幻觉	允许说"不确定/转人工"（6.4）
给推理模型堆 CoT	噪声、啰嗦	直接给目标（本节）
用字数硬控长度	模型对字数不敏感	给结构（一句话结论+N点）
改了提示不验证	随机游走、线上翻车	建测试集、改一处全量跑（6.6）

🛠️ 实战练习：跨模型 + 反模式自查

跨模型：拿你一个常用提示，在 DeepSeek（云端）和本地 Ollama 小模型上各跑，看遵循度差别；若有推理模型，把它的 CoT 指令去掉再试
自查：对照反模式清单，逐条检查你最近写的几个提示，中了几条？挑最严重的一条改掉

期望结果：你建立起"提示要随模型调整"的意识，并能用清单快速自检、避开高频坑。

📌 关键结论

推理模型和普通模型的提示方式相反：普通要引导 CoT，推理别堆思考指令、直接给目标
国产模型做中文任务直接用中文最自然；术语留英文；别迷信英文提示更强
各家模型脾气不同，换模型必须用测试集重新验证提示
避开反模式清单（魔法咒语/负面指令堆砌/塞太多/形容词代范例/不留出口/改了不验证…）就赢一半
提示工程的内核：理解原理（6.1）+ 结构化表达（6.2-6.4）+ 稳定可靠（6.5）+ 数据驱动迭代（6.6）

🎉 第 6 章完成，提示词工程从心法到分场景 Playbook 全部讲透。去练练？→ 🎯 复习巩固 · 词汇速查 · 或回看 6.1 心法