在前面的章节里，我们花了不少时间学习思维链（CoT）、思维树（ToT）和提示词链等技巧。面对复杂任务时，为了不让 AI 胡说八道，我们想尽办法让它 “一步一步思考”，甚至手把手地教它怎么把任务拆分成流水线。
掌握了这些技巧，我们再去驾驭普通大模型，就会觉得得心应手得多了。但是很多小伙伴发现，把自己精心打磨的超级提示词喂给推理模型，它给出的结果反而啰嗦、死板，甚至有点绕弯子。
为什么会这样呢？其实，这就好比你拿着驾校的入门教材，去教一个 “老司机” 怎么踩离合一样，这不仅多余，还容易限制对方的发挥。
什么是推理模型？
要搞懂怎么给 “普通大模型” 和 “推理模型” 写提示词，咱们得先直白地了解一下它们是怎么工作的。
- 普通大模型：就像是一个思维敏捷、打字极快的实习生。你问它一个问题，它几乎是不过脑子，顺着字面意思就开始 “词语接龙”。为了不让它跑偏，你需要在提示词里用思维链（CoT）尽量引导它，明确告诉它第一步干嘛、第二步干嘛。
- 推理模型：则像是一位经验丰富的统筹专家。当你给它布置任务时，它不会立刻给你交差。它会在后台自己拉一块 “小黑板”，默默地进行深度思考。它会自己去尝试不同的解法，发现思路走不通了，还会自己推翻重来（也就是你经常在屏幕上看到的那些折叠起来的 “思考过程”）。
说需要注意的是，推理模型并不是一种完全不同的 “新物种”，它本质上仍然是大语言模型。只不过推理模型在出厂时，就已经把 “思维链” 和 “思维树” 内化到骨子里了。
核心法则：别教它做事，告诉它你要什么
面对普通模型，我们的策略是 “管过程”。但面对推理模型，我们的核心法则要变成 “管目标、定边界”。
1. 扔掉 “请一步步思考”
给普通模型写复杂提示词时，我们经常会补上一句：
请一步步思考英文提示词中也常见：
Let’s think step by step但对推理模型来说，这句话通常没有你想象中那么神奇。人家本来就在后台拼命花算力推演呢，你再啰嗦一句，并不会让答案自动升级。更实在的做法是直接告诉它：
- 你要解决什么问题？
- 哪些条件绝对不能违反？
- 最后应该交付什么结果？
当然，如果你在实际干活时发现，某个特定任务加上这句话确实效果更稳，那就留着。提示词工程不是背口诀，咱们一切看测试结果说话。
2. 别把自己瞎猜的 “步骤” 给写死
假设你要让模型制定一个复杂排班方案，却在提示词里规定：“先安排 A 组，再安排 B 组，最后检查休息时间。”
问题是，你脑补的这个顺序，不一定是最高效的。大模型在推演时可能觉得，先处理请假名单和硬性的工时限制，反而更容易找出合理的方案。
所以，如果咱们只要一个正确结果，就别替它瞎操心路线了。把条件都摊开，让它自己选怎么走。
3. 必须执行的 “业务流程”，仍然要明确写出来
“不干涉它怎么想” 不等于 “不管它的工作流”。
比如，你让它审查代码，你们公司的规范就是得查权限验证、输入校验和敏感信息泄露。那这三项就应当明确写进提示词里。因为这不是你瞎猜的解题步骤，这是硬性的 “验收标准”。
再比如财务审批，必须先核发票，再对采购单，最后看权限。这是固定的业务流程，不能因为模型变聪明了就把它省掉。
简单总结就是：可以少管它 “脑子里先想什么”，但必须管它 “工作中不能漏掉什么”。
4. 找它要 “实锤证据”，而不是 “心路历程”
很多人有个习惯，喜欢在结尾来一句：“把你完整的思考过程全部写出来。”
说实话，看它写一大段推理小作文不一定更靠谱，往往只是让聊天记录变长了而已。比起看它在脑子里 “现场直播”，咱们不如直接管它要这些干货：
- 明确的最终结论。
- 关键的判断依据。
- 限制条件是不是都满足了（检查结果）。
- 还有什么不确定的地方。
- 必要的时候，把用到的数据、公式、代码或原文位置标出来。
这些干货才方便咱们快速核对。毕竟咱们找 AI 是来干活解决问题的，不是来围观它写十页心理活动的。
实战对比：如何让推理模型安排座位？
为了看清区别，我们来处理一个非常考验 “人情世故” 的任务：年终聚餐排座位。
部门共有 30 人，餐厅准备了 3 张圆桌，每桌必须刚好坐 10 人。同时，还有下面这些条件：
- 老板和副总不能同桌。
- 张三和李四刚吵过架，不能同桌。
- 1 号桌正对空调，正在感冒的王五不能坐 1 号桌。
- 赵大、钱二、孙三和李四是素食主义者，为了方便上菜，必须坐在同一桌。
按照以前的习惯，我们可能会把提示词写成这样：
我正在安排聚餐座位。
步骤 1：先把 4 名素食主义者安排到 2 号桌。
步骤 2：再把老板安排到 1 号桌。
步骤 3：把副总安排到 3 号桌，避开老板。
步骤 4：检查张三和李四的位置。
步骤 5：继续安排其他员工。这段提示词看起来很细致，但它有一个问题：你提前替大模型决定了素食主义者必须坐 2 号桌，也规定了老板和副总的位置。后面一旦加入更多限制，前面的安排可能立刻把模型逼进死胡同。
面对推理模型，可以改成下面这样：
# 任务目标：
为部门 30 人安排年终聚餐座位。
现场共有 1、2、3 号三张圆桌，每桌必须刚好坐 10 人。
# 硬性约束：
1. 老板张总和副总李总不能坐在同一桌。
2. 员工张三和李四不能坐在同一桌。
3. 1 号桌正对空调，正在感冒的王五不能坐 1 号桌。
4. 赵大、钱二、孙三和李四是素食主义者，4 人必须坐在同一桌。
# 人员名单：
[在此处粘贴 30 人的完整名单]
# 输出要求：
1. 使用表格列出 1、2、3 号桌的人员名单。
2. 每桌必须刚好 10 人，不能遗漏，也不能重复。
3. 在表格后逐条检查所有硬性约束，并说明是否满足。
4. 如果这些条件互相冲突、无法同时满足，请明确说明“当前条件无解”，并指出冲突在哪里，不要强行编造方案。这一次，我们没有规定 “先安排谁、后安排谁”，而是把任务目标和所有硬性约束一次性交代清楚。更重要的是，我们还增加了两个可靠性要求：
- 不能遗漏或重复人员。
- 如果条件无解，必须直接指出，而不是硬凑一张看起来像答案的座位表。
这就是给推理模型写提示词时非常重要的一步：除了告诉它 “要做什么”，还要告诉它 “怎样才算做对”。
硬约束和软目标，建议分开写
复杂任务里，不是所有要求都同样重要。比如：
- “王五不能坐 1 号桌” 属于硬约束，违反了就不能接受。
- “尽量让每桌男女比例均衡” 可能只是软目标，实在无法兼顾时可以让步。
如果你把两者混在一起，模型可能为了满足一个 “最好如此” 的要求，反而违反了一个 “绝对不行” 的条件。因此，建议把要求分成两类：
- 硬性约束：必须满足，违反任何一条都算失败。
- 软性目标：在满足硬性约束的前提下，尽量优化。
如果多个软性目标之间也有先后顺序，可以继续标出优先级。
示例：
# 硬性约束
- 每桌必须刚好 10 人。
- 张总和李总不能同桌。
- 王五不能坐 1 号桌。
# 软性目标（按优先级排序）
1. 尽量让同一个小组的成员分散到不同桌。
2. 尽量让每桌的新员工数量接近。
3. 如果仍有多个可行方案，优先选择调整人数最少的方案。这类写法非常适合排班、路线规划、预算分配、课程安排和项目计划等任务。模型终于知道哪些是 “红线”，哪些只是 “能优化就优化”。
给足材料，但千万别 “无脑堆料”
推理模型确实擅长处理复杂的逻辑，但它终究不会 “读心术”。你没有提供的事实，它不可能凭空知道；你写错的条件，它也可能一本正经地照着错下去。
因此，复杂任务要尽量提供完整材料，例如：
- 参与人员、数据记录或原始文档。
- 名词含义和业务背景。
- 必须遵守的规则。
- 你真正关心的风险和目标。
- 输出格式和验收标准。
不过需要注意的是，无关材料、重复内容和互相矛盾的旧版本，会增加模型理解成本。
比较好的做法是：材料尽量完整，但结构必须清楚。你可以使用 Markdown 标题、列表和分隔符，把不同类型的信息分开。
小伙伴们可以看看下面这个审查租赁合同的例子。
示例：
# 任务目标
请初步审查下面这份租赁合同，帮我找出可能让承租方（我）承担较大风险的条款，并给出修改建议。
# 分析范围
- 重点查阅这几项：押金、提前退租、维修责任、违约金和续租条件。
- 别去扯那些跟本次租赁无关的通用法律条文。
- 注意：这只是风险初筛，代替不了专业律师的意见。
# 合同草案
（在这里粘贴合同全文）
# 前期沟通记录
（在这里粘贴双方之前确认好的重要约定）
# 我的核心诉求
- 希望能留出合理的提前退租空间。
- 房子正常使用造成的自然折旧，我不承担赔偿责任。
- 房屋的重大维修必须由出租方来搞定。
# 输出要求
1. 把风险按 “高、中、低” 进行分类；
2. 引用对应的合同条款，或者标明在第几条第几款；
3. 用大白话解释一下风险是怎么产生的；
4. 给我一套能直接拿去跟房东谈判的修改建议；
5. 拿不准的信息请直接标明 “无法确定”，请避免自己脑补事实。对于那种篇幅很长，但相互之间联系紧密的材料，只要没撑爆大模型的上下文窗口，一次性全喂给它，通常有助于它做个全局的统筹分析。
但是，如果材料实在太长、来源太杂，或者这个活儿需要反复交叉核对证据，那你就别迷信 “一次全塞进去” 了。这时候更稳妥的办法，还是分阶段来处理：
- 先提取事实和关键条款；
- 再根据这些干货去分析风险；
- 最后一步才是生成最终建议。
这么做完全不违背咱们刚才说的原则。在这种复杂场景下，提示词链依然非常好用，咱们只是不需要在链条的每一个具体环节里，再去微操模型 “脑子里到底该怎么想” 了。
