为什么LLM总“跑偏”？先搞清它其实不会“懂你”
你有没有遇到过这样的情况：问LLM一个问题，有时候它回答得像个专家，精准又到位；有时候它就好像刚学会说话的小孩，答非所问，甚至自说自话。难道LLM在“抽风”？其实不完全是。
LLM的本质其实是个超级“猜词机器”：它并不真正理解你说话的深意，而是在它庞大的学习数据中，预测“下一句最可能出现的词”是什么。换句话说，它靠概率输出内容。
当你给它的提示话很模糊时，它只能在无数的可能中猜答案，自然容易“跑偏”。
所以，想让LLM表现得聪明，关键不在问得多，而在于问得 准 。你的问题越模糊，LLM就越容易瞎猜；问题越精准，它就越能给你想要的答案。说白了，提示词就是你手里的方向盘，你指的方向越清楚，LLM这辆车才越不会跑偏。
D.I.C.E. 框架：提示词的四个核心组成
给LLM下指令（提示词），就跟让新同事帮你办事一样。你要是只说“把这个弄一下”，他肯定一头雾水，办事的结果也不如你所愿。你得告诉他前因后果、他该扮什么角色、具体要做什么、最后交出什么成果，这样才能达到你预期的目的。这里有个特别好用的方法，是美国人 Michael Blank 提出了一个超实用的D.I.C.E.方法，将任务拆成四个重点：
- D — 背景信息（DATA） 告诉LLM，你要做什么，为什么要做。帮助它把任务放在正确的“道路”上。 例：“我运营一家B2B软件公司，每月接触200个潜客，转化率只有8%，我想提高销售效率。”
- I — 角色定位（IDENTIFY） 给LLM戴上“专业帽”，限定它的身份和专业方向。 例：“请你扮演一位有10年经验的SaaS资深销售顾问，专长是优化中小企业销售流程。”
- C — 澄清细节（CLARIFY） 别急着一次给完全部信息。最好让LLM先提一个问题，确认重点，避免误解。 例：“开始分析前，请先问我一个关键的销售环节问题。”
- E — 明确交付（EXECUTE） 告诉LLM你想要什么样的结果，输出格式、风格、长度等都要明确。 例：“在我答复后，请给我一份30天销售改进计划，格式为一步步执行的清单。”
用了这样的方式提示，LLM才不会给你泛泛而谈的建议，而是一份专业且可执行的行动方案。
C.L.E.A.R. 原则：判断提示词质量的五个标准
如果说D.I.C.E.给提示词搭起了“骨架”，那么Lovable公司提出的C.L.E.A.R.原则就是帮你把骨架的“肌肉和皮肤”打磨完整，让任务说明干净、有效、有活力。
| 原则 | 含义 | 实践要点 | |
|---|---|---|---|
| C 简洁（Concise） | 去掉多余客套和废话，直奔重点 | 不说“谢谢”“麻烦了”这类无关紧要的话 | |
| L 有逻辑（Logical） | 任务分解清楚，步骤合理 | 任务执行顺序是否合理，比如先分析再建议 | |
| E 明确（Explicit） | 明确说明要什么和不要什么 | 指定风格、字数限制，禁止内容 | |
| A 可调（Adaptive） | 支持后续调整和优化 | 留有调整空间，不要锁死边界 | |
| R 可反思（Reflective） | 鼓励LLM总结反馈，提升提示词 | 让LLM指出哪里还能更明确或优化 |
提示词的框架与准则
D.I.C.E. 是提示词的结构框架，它定义了一个提示词该“长成什么样”； C.L.E.A.R. 是质量准则，它确保这个结构内部的逻辑、语言与目标保持清晰一致。
在实际提示词设计中，我们先用 D.I.C.E. 打底——明确目标、设定角色、补充上下文、定义评估标准； 再以 C.L.E.A.R. 打磨——检视表达是否清晰（Clear）、逻辑是否连贯（Logical）、依据是否可验证（Empirical）、行动是否可执行（Actionable）、反思是否充分（Reflective）。
这种“两层式”方法能显著提升提示词的稳定性与可复用性： 结构清晰使大模型“理解你要什么”， 质量准则则让输出更贴近“你真正需要的”。
你是 LLM 的“导航员”：帮它锁定方向，提升效率
LLM不会主动“懂”你，它只能根据你给的信息猜测答案。你设计的提示词就像导航系统，帮它锁定正确方向，避免它在海量的可能中胡乱“试探”。
每一次清晰、有结构的提示输入，都是在缩小它自由发挥的范围，以带来更精准有效的回应。掌握了D.I.C.E.框架和C.L.E.A.R.原则，就让你能更好使用LLM，从“使用者”升级为“驾驭者”，彻底释放LLM的生产力。
D.I.C.E.+C.L.E.A.R.示范模板
自驾游计划
生成一份适合一家三口的国庆假期自驾游计划，涵盖路线、每日安排、住宿建议与注意事项。
D.I.C.E 框架提示词（可粘贴到大模型里看看输出）
#DATA#
我们是一家三口（两位成人，一位10岁孩子），计划在2025年10月2日至10月7日国庆假期期间自驾从郑州前往重庆旅游。希望行程轻松、有趣，适合家庭出行。
#IDENTIFY#
请你扮演一位经验丰富的国内亲子旅行规划师，熟悉中西部城市间自驾路线、家庭友好型景点与节假日出行建议。
#CLARIFY#
你可以先问我一个问题，以确认我们对住宿预算、每日驾驶时长或景点偏好的具体要求。
#EXECUTE#
请根据我们的时间安排，生成一份6天的行程计划，包括：
- 每日路线与预计行驶时间；
- 推荐景点（适合孩子）与活动安排；
- 住宿建议（中等价位，安全舒适）；
- 每日注意事项（如交通、天气、节假高峰）。
输出格式为分日条列，每日标题为“Day X：城市名”，语言使用简体中文。
C.L.E.A.R. 原则优化
| 原则 | 应用说明 |
|---|---|
| 简洁（Concise） | 去除冗余描述，直接说明时间、地点、人数、目标。 |
| 有逻辑（Logical） | 明确起止时间、路线方向、每日安排，避免“重庆周边推荐”这类模糊任务。 |
| 明确（Explicit） | 指定输出格式（分日条列）、语言（简体中文）、住宿类型（中等价位）、人群（亲子）。 |
| 可调（Adaptive） | 通过 CLARIFY 模块引导 LLM 提问，便于后续补充预算、偏好等信息。 |
| 可反思（Reflective） | 可在输出后追加一句：“如需调整行程节奏或加入特定景点，请告诉我，我可以重新规划。” |
学术论文写作辅助
撰写一篇关于人工智能伦理的学术论文，目标是投稿至国际期刊。希望获得结构优化建议与引用规范指导，强调逻辑严密、表达规范、支持多轮修订。
D.I.C.E 框架提示词（可粘贴到大模型里看看输出）
#DATA#
我正在撰写一篇关于人工智能伦理的学术论文，主题聚焦于算法偏见与责任归属问题。目标是投稿至国际科技伦理期刊，要求逻辑清晰、论证严密、引用格式符合国际标准（如 APA 或 IEEE）。
#IDENTIFY#
请你扮演一位资深学术编辑，熟悉科技伦理领域，具备国际期刊审稿经验，了解常见结构问题与引用规范。
#CLARIFY#
在开始修改前，请先提出一个关于文章论点结构的关键问题，以确认我是否已建立清晰的中心论点与支持层次。
#EXECUTE#
请根据我的主题与目标，提出具体的章节重组建议，包括：
- 推荐的章节划分与标题；
- 每章应承担的论证任务；
- 引用格式建议（如文内引用、参考文献排列方式）；
- 总结建议不超过 500 字，使用中文表达，风格正式、学术。
C.L.E.A.R. 原则优化
| 原则 | 应用说明 |
|---|---|
| 简洁（Concise） | 去除口语化表达，直接说明论文主题、目标期刊、引用要求。 |
| 有逻辑（Logical） | 明确任务流程：先澄清论点结构，再提出章节建议与引用规范。 |
| 明确（Explicit） | 指定输出格式（中文总结、500 字以内）、引用风格（APA 或 IEEE）、角色设定（学术编辑）。 |
| 可调（Adaptive） | 通过 CLARIFY 模块引导模型提问，支持后续补充论文摘要、章节草稿等内容。 |
| 可反思（Reflective） | 鼓励模型在输出后提供“如需进一步细化章节内容或补充文献引用，请继续提供草稿内容”之类的反馈建议。 |
参考资料：