2026-01-09 22:38
扫码打开虎嗅APP
本文来自微信公众号： 简写2019 ，作者：余子申
我以前在字节上班那几年，“Context,not Control”这句话，是内部经常提及的一个行为准则（也算是企业文化吧）。
当时的语境是：别靠死流程、死审批去控人。你把目标、边界、为什么讲清楚，优秀的人自己就能做对决策。你越想把每一步都规定死，越容易把人变成只会等指令的执行器。
后来我开始大量跟AI协作：处理信息、写东西、做归纳、做改写。折腾过一堆复杂提示词之后，我反而越来越相信一个反直觉的结论：
调AI的本质，也是在做这四个字：Context,not Control。
更具体一点：AI好像更容易接受“你要它做什么（do）”，反而不太吃“你不许它做什么（not-do）”。
一开始我只是模模糊糊有这种感觉。后来我去搜了一下，发现还真有人专门做过评测：大模型对“否定/避免项”这类指令，稳定性确实更差，容易漏、容易跑偏。
这就解释了我最常见的体感：你越强调“不要”，它越容易在某个角落踩线。
一、AI的“逆反心理”：为什么not-do往往适得其反？
很多人优化提示词的第一反应是划红线：
不要AI味。
不要瞎编。
不要营销感。
不要提某品牌。
这种写法的问题不是“不对”，而是它天然有两处短板。
第一，它只给红线，不给路。你说“不要营销感”，AI不知道你要它往哪边走。是像新闻稿？像报告？像个人叙述？像吐槽？你没给路径，它只能靠猜。猜对了你觉得它“懂你”，猜错了你觉得它“很笨”。
第二，它会把禁区本身塞进注意力里。你在提示词里反复提“不要提X”，X反而成了上下文的高权重词。这就像那个老梗：你越让自己“别想粉色大象”，脑子里先出现的就是粉色大象。
所以我后来的经验非常简单，也非常粗暴：
能用do解决的，尽量别用not-do。
这个原则如果拆开，其实可以稳定地落到几种固定写法上：
A.把“禁止项”改成“允许项白名单”
不要：
不要提价格、不要提竞争对手、不要用夸张形容词。
改成：
只允许出现以下信息类型：{功能、限制、适用场景、步骤}。
措辞风格：{中性、可验证、避免评价性形容词}。
白名单通常比黑名单更稳，因为它直接把搜索空间缩小到“能做什么”，而不是让模型在一堆“不能做什么”里自己试探边界。
B.给出明确的“替代动作”
不要：
不要编造数据。
改成：
如果缺少数据：输出“未知/待验证”，并列出你需要的3条补充信息（字段名即可）。
这一步的价值在于，它把模型从“自作聪明补全”，拉回到一个明确的“缺口处理流程”。
C.把not-do变成“校验规则+返工机制”
不要：
不要出现任何品牌名。
改成：
输出后自检：扫描是否包含品牌名；
若有，重写对应句子为“类别词/泛称”，并在末尾给出替换清单。
这等于把一句口头禁令，变成了一个可执行、可复现的流程。
D.用“反例”往往比“禁止句”更有效
直接给一个“错误示例”（1–2句），再给一个“正确示例”。
在大多数情况下，模型对这种边界的理解，会明显好过只读一句“不要这样”。
一些研究里也提到，negative demonstrations本身是有效信号，但前提是结构化使用，而不是一句情绪化的否定。
二、我借了一个视角：不是“写指令”，而是“给上下文”
后来我还学会用一个更像“工程”的眼光看提示词：上下文工程（context engineering）。
先声明：我并不觉得自己在做什么正统的“工程”。我只是借这个视角提醒自己一件事——
当AI表现不稳定时，问题往往不在于你那句指令写得不够狠，而在于你给它的上下文不够清晰。
我把它压成四个动作，都是管理语言，不需要懂技术：
1）显性化：把你默认的“标准”写出来
很多人说“不要AI味”，其实是把一个很复杂的审美判断当成常识。
但AI不知道你的常识是什么。
它只知道它见过的语料里，最常见的“像样文章”长什么样——而那东西往往就是你讨厌的腔调。
所以你需要做的不是加一句“请更自然”，而是把标准写成动作。哪怕只有两三条也够用：
句子短一点。少用形容词，多用动词。先讲事实再给判断。
你把“审美”翻译成“动作”，它才有机会做对。
2）降噪：别把资料库当输入
很多时候AI写不对，不是因为它不聪明，而是你喂给它的背景太多，把关键信息淹没了。因为AI的记忆力也不好，你说的太多前面的也忘了。
真正有效的上下文，往往是“这一步只需要的那几条”。
你给它一吨资料，它未必更稳；你给它三条关键事实，它反而更能把结构搭起来。
3）提纯：替它先读一遍，再让它写
长研报、长材料直接塞进去，AI当然能读，但抓重点会变得不稳定。
我的习惯是先把材料压成“可执行摘要”：
关键数字、核心事实、已知缺口。
然后再让它基于这份摘要去写输出。
先提纯，再生成。这是我自己在“信息密度”上变得更稳定的一步。
4）隔离：把“规矩”和“材料”分开
这是最容易忽视的点：很多指令之所以失效，是因为你把要求和素材混在一起，模型分不清哪些是规矩，哪些是内容。
简单来说：不要把“你希望AI怎么做”（要求），和“你希望AI用什么信息来做”（材料）混在一起。
类比做菜，一个是食谱，一个是原材料。
我的做法很简单：
把“要求”放在一段，把“材料”放在另一段，中间用明显分隔。
你不需要复杂格式，哪怕是“规则：/材料：”也够用。
三、两个我最常用的改写逻辑
以下2个都是我给客户定制工作流时遇到的真实案例。
案例A：新闻编译
控制型（not-do）：不要瞎编，不要营销，翻译地道点。
上下文型（do）：1）事实边界：只基于原文2）兜底动作：信息不足就标【待确认】3）执行路径：固定结构“核心事实→关键数据→下一步”
你看，本质不是“更严”，而是“更可走”。
案例B：数据打标/分类
控制型（not-do）：每个维度都要打标，不许留空。
上下文型（do）：1）宁可留空也不要硬猜2）留空要说明触发逻辑缺失在哪3）判断优先级先定：品牌词优先，泛词靠后
你会发现：你不是在逼它“必须给答案”，你是在让它学会“什么时候应该闭嘴”。
最后：我对这句话的AI版翻译
Context,not Control放到AI这件事上，我现在有一个更白的翻译：
别把它当下属去管，像对强同事一样给上下文。
你把目标、边界、路径、兜底讲清楚，它自然能跑对方向；
你只画红线不给路，它就只能在红线边上反复试探。
稳定性的来源不是更严厉的约束，而是更充分的理解。
