在使用AI工具时，你是否遇到过答非所问、数理计算不准确或编造事实等问题？这些问题可能源于提示词的不当设计或模型本身的局限性。本文将从大模型的底层原理出发，深入探讨如何通过提示词调优、外部资源调用和模型微调等方法提升AI的使用效果。

在用AI落地你的想法时，是否有遇到以下问题：

• 答非所问
• 数理计算不准确
• 编造事实

…

大家遇到这些问题时可能会疑惑：到底是提示词写的不好？还是模型本身的能力不足？

面对问题却只能“拔剑四顾心茫然”，不知道该用什么方式解决问题

本文的目的便是帮大家理解大模型，后续使用AI遇到问题时，能够快速找到合适的解决方案

（为帮助不同背景的同学理解，本文的举例、概念有一定的简化）

一、大模型不会思考

从deepseek、豆包等大模型的使用体验而言，我们能感受到大模型有所谓“思考”的过程，但其实这只是为了用户体验所包装出来的假象：

大模型其实不会思考，但他擅长“推理计算”，本质是一个概率函数，根据上文计算出接下来概率最大的文本是什么。

做到这三点挑战，产品经理只会不断升值

好的产品经理是很稀缺的，懂用户、懂商业、懂数据的产品经理走出互联网，依然是抢手货。相反，如果只做简单传话、低效执行、浅层思考的产品经理，恐怕走不过未来3-5年的洪流。

查看详情 >

以一个小学生的完形填空题目为例：

既然大模型不会思考，为什么改提示词能够让它更听话？甚至能影响模型输出的“思考过程”？

二、让大模型更听话的三种方式

大模型不听话可能有几种原因：

• 无法回答或编造事实，可能为大模型本身缺少相关知识
• 回答过于发散，可能为大模型训练时很少接触过此类问题，对应的语言/推理模式较弱
• 指令丢失，可能提示词/上下文过长，超出了模型可处理的长度

从提示词工程、外部知识与工具、模型微调三种方式可针对性地解决问题

2.1 提示词调优

如前文表述，提示词是最直接影响大模型输出结果的因素，

在模型本身能力范围内，提示词是提升准确性最具性价比的方式

像deepseek-R1这种推理模型是否不再需要复杂的提示词？

——看情况，若希望有效果更稳定的回答，提示词技巧仍然适用，对于一些通识性问题，推理模型自带的推理模式可以很好地解决问题，不需要过多的人为引导

列举部分提示词优化技巧，列举主要是为了帮助大家理解其原理，实操上可以将提示词扔给大模型帮忙优化

更多技巧可参考：

结构化提示词

若尝试了多种提示词技巧后，发现结果仍然不符合预期，可能触及了当前大模型的能力边界，可参考2.2~2.3方法进阶调优

2.2 外部资源调用

当前大模型长文本阅读、数理计算、知识时效性方面仍然有局限性

为了补足这些短板，大模型也发展出了调用外部资源的能力

在具体落地上，可以使用Coze、Dify等AI应用搭建平台，均有提供相关功能

虽然外部资源调用能一定程度扩大大模型的能力边界，但现在也仍有高延迟、实时性、安全风险等问题

在落地时为了更好的效果，需要在工程侧做一定优化

2.3 模型微调

示例参考：模型微调 – SiliconFlow

模型微调的本质是调整大模型的参数，需要引入“模型训练”的环节

在微调后，模型对特定领域场景的能力将会得到提升，但训练过程的门槛和成本都比较高

效果示例如下：

三、选择合适你的调优方式

一般来说，提示词调优＞外部知识&工具＞模型微调

• 当提示词触及模型能力边界的问题，再考虑另外两种方式
• 当准确度、时效要求较高时，考虑微调