这几天 OpenAI 官方放出来的提示词工程建议,翻来覆去就一句话:给提示词做减法。配合 GPT-6 这代模型和 Skills 机制,这已经不是单纯的口味偏好,而是真正能省成本、提效果的工程实践。如果你手头有几十个需求等着调 prompt,或者刚把 Skills 装进 Agent 体系,这篇实操和避坑记录应该能帮上忙。
我会把这段时间在提示词瘦身、Skill 化改造过程中踩过的坑和验证过的方法整理出来,不绕弯子,直接说结论和操作。适合正在用 GPT-6 / 相关 API 做应用,或者对 Skills 感兴趣但又不知道从何下手的开发者、产品经理和提示词工程师参考。
1. 为什么官方开始呼吁给提示词做减法
1.1 长提示词的“注意力稀释”问题
很多人以为提示词越详细越好,实际上越长的提示词越容易出现“注意力稀释”的问题。大型语言模型在生成每个 token 时,都要在整段上下文里分配注意力权重,上下文越长,关键指令在总长度里占的比例就越低,该被严格执行的内容反而容易被淹没。
打个比方:你给一个实习生派活,一口气交代了二十条要求,里面既包含“输出格式要带标题”,也包含“别忘了在结尾加风险提示”。实习生大概率只记住最前面的几条和最后一条,中间的要求全被“平均用力”地忽略了。模型不会像人一样“忘记”,但它会把有限的注意力预算摊到很多无关紧要的修饰词上,导致关键约束的触发权重降低。
我在本地用同一个任务做过对比实验:一段 4000 token 的长提示词,改写成 800 token 的精简版本,输出质量不降反升,而且输出更稳定。原因很简单,当上下文里没有大量冗余信息干扰时,模型对“必须输出 JSON”“必须包含某个字段”这类指令的遵循度会明显提高。
1.2 GPT-6 与 Skills:提示词的角色变了
OpenAI 官方最近关于 GPT-6 的提示词工程建议,反反复复就在讲一件事:把提示词从“一篇说明书”改成“一张名片”。尤其是引入 Skills 之后,用户侧的 prompt 可以变得很短,真正干活的是被调用的 Skill。
Skills 本质上是把一组可复用的指令、示例和约束封装成一个模块,让模型在需要时“按需安装”。这跟过去的自定义指令体系完全不同。过去你写一个超长 system prompt,等于给模型背上一个永远甩不掉的包袱;现在你用 Skills,等于在模型旁边放了一个工具箱,用到哪个技能就打开哪个盒子,用完还能合上。
这意味着提示词的角色发生了根本变化。以前我们总想让一段 prompt 覆盖所有情况,包括角色设定、背景信息、输出格式、注意事项、示例……结果就是提示词越来越长,越来越难维护。GPT-6 这代模型更强调把“稳定的能力”沉淀在 Skill 里,把“临时的指令”留在用户 prompt 中,两者职责分开,提示词自然就不需要那么厚了。
1.3 瘦身背后是上下文预算的再分配
我之前和一些团队交流时发现,很多人只知道提示词长会多花 token,但没有算过实际账。假设你原来的 system prompt 是 5000 token,瘦身后降到 1000 token,单轮请求省下 4000 token。如果你的业务每天有 1 万次请求,一天就省了 4000 万 token。按一个相对保守的计价粗略估算,一个月能省下相当可观的费用,足够支撑不少额外功能开发。
但省钱只是其中一个维度。更重要的是,上下文窗口是模型推理时最重要的“工作记忆”,提示词越长,留给模型生成高质量回答的空间就越小。特别是复杂推理任务,模型往往需要先理解问题、再组织逻辑、最后套用格式,如果上下文全被背景信息占满,推理质量自然打折。所以做减法不只是为了省 token,更是在给模型腾出思考空间。
2. 提示词瘦身实操:四个可直接上手的思路
2.1 角色设定压缩成一句话
第一个让我很震撼的实验,是把角色设定从一大段人物小传压缩成一句话。我之前给一个需求评审助手写过一段角色设定,洋洋洒洒两百多字,又是“资深产品经理”,又是“擅长用户研究、数据分析、交互设计”,还带上一堆能力描述和人格特质。
后来我全删了,改成一句:
你是产品经理,帮我做需求优先级排序。回答必须给理由,不能只给结论。
效果反而更好。原因是什么?模型的角色能力不是靠形容词堆出来的,它训练的时候就见过大量“你是产品经理”这类指令,知道该用怎样的口径和结构回答。角色设定只需要一句“身份定位 + 任务目标”,剩下的事情交给任务描述和输出格式就行。
实操时可以按这个模板检查,角色设定里如果有形容词,比如“资深”“专业”“经验丰富”,先想想删掉会不会影响输出。大概率不会。真正影响输出的,是你要求它“怎么回答”“按什么结构输出”“有什么约束条件”,这些才值得保留。
2.2 把示例搬进 Skills,而不是堆在 Prompt 里
另一个常见浪费是示例过多。有些场景下,给模型一两个示例确实能显著提升格式稳定性,但如果你把 20 个示例全塞进 system prompt,每次请求都要背着这堆历史包袱,成本很高。
正确的做法是:当任务类型稳定、输出格式固定时,把示例从 prompt 里挪到 Skills 的 examples 字段中。Skill 被调用时才加载示例,不被调用时完全不占上下文。这样用户 prompt 保持干净,Skill 内部的示例又能保证格式稳定。
举个例子,一个“会议纪要整理”的 Skill,描述和指令部分只写了“将会议记录整理为决策、待办、风险三部分”,示例放在 Skill 文件里,模型真正运行时会自动参考,但不会被无关对话反复拖进上下文。
这里要注意,示例不是越多越好。我见过有人在一个 Skill 里塞了十来个示例,以为这样模型会更聪明,结果模型开始照葫芦画瓢,连示例里的敏感措辞都复制出来了。精简到 1-2 个有代表性的示例通常就够。
2.3 删除重复约束和“语气词”
长提示词里存在大量“重要语气词”和重复约束。比如“请务必注意”“千万要记住”“这一点非常重要”“再次强调”……这些话在人类看来是提醒,在模型看来只是普通 token,不会因为语气加重就被更认真地对待。真正让模型服从的,是约束本身的清晰度和结构是否合理。
我建议列一个“冗余表达换掉表”:
| 冗余表达 | 替换做法 |
|---|---|
| 请务必 / 很重要 / 重点强调 | 直接写规则本身,规则越短越显眼 |
| 一步一步思考 | 需要推理时再显式写“逐步推导”,否则不写 |
| 一定要用中文回答 | 在 system prompt 里写一次,不要每条指令都加 |
| 不要遗漏任何点 | 改为“输出必须包含以下字段”,用清单兜底 |
| 重复写“你是专家” | 删掉,靠任务目标锚定专业性 |
我踩过一个很典型的坑:某版提示词里把同一个“必须返回 JSON”的要求写了四遍,三遍在开头,一遍在结尾。结果模型偶尔还是返回 Markdown 代码块。后来我把重复语句全部删掉,只保留一句“输出为合法 JSON,不要包含 Markdown 代码块标记”,问题反而解决了。重复并不会增强约束力,反而增加了上下文噪声。
2.4 用“边界”代替“穷举”,减少负向指令
负向指令(“不要……”)在提示词里很有用,但一旦多起来,模型会变得过度保守。你写 50 条“不要”,它可能把合理的事情也拒绝掉,因为所有的“不要”会让它误以为输出风险很高。
更好的做法是用正向路径加少量护栏。比如以前我写:
不要在总结里添加主观评价,不要猜测发言人的意图,不要加入任何会议记录里不存在的信息,不要使用模糊的表述……
后来改成:
总结只包含会议记录中明确出现的事实。主观评价请另起“讨论”一节,并标注“推测”。
效果立竿见影。模型不再战战兢兢地回避内容,而是知道哪些内容该放哪个区块,边界反而更清晰。负向指令不是不能用,而是要用在刀刃上,放两三条真正不可违背的红线就够了。
3. Skills 瘦身实操:从零搭一个精简的 Skill
3.1 理解 Skills 的基本结构
要做 Skills,得先弄懂它的基本结构。不同平台对 Skills 的实现略有差异,但核心思路一致:元信息与指令内容分离,模型通过元信息决定是否调用,再按指令内容执行。
一个典型的 Skill 文件大致包含这几个部分:
- name:技能名称,必须唯一,最好包含关键行为词。
- description:什么时候该用这个技能,写得越具体越好,因为模型靠它判断触发时机。
- instructions:实际执行的指令主体,是真正干活的逻辑。
- examples:一到两个输入输出示例,帮助模型理解期望格式。
很多人在 description 上翻车。有人写成“一个强大的会议纪要处理工具”,模型不知道什么时候该用。正确的描述应该是“当用户提供会议记录并希望整理成结构化纪要时使用,包含决策、待办、风险三类信息”。模型读到这样的描述,会在合适的场景自动触发。
3.2 写一个“最小可用”的 Skill
我用“会议纪要整理”这个场景示例,一步步演示怎么搭一个精简的 Skill。
第一步,明确目标:把一段流水账式的会议记录转成结构化纪要,输出决策、待办、风险三个部分。
第二步,写 instructions,越短越好:
name: meeting-minutes
description: >
当用户提供会议记录并希望整理成结构化纪要时使用。
适合包含决策、待办、风险信息的会议。
instructions: |
1. 按时间线读取会议记录。
2. 提取“决策”:记录最终结论与理由。
3. 提取“待办”:写明负责人与截止时间,缺失时标注“待确认”。
4. 提取“风险”:只保留记录中明确提到的风险。
5. 按“决策/待办/风险”三个二级标题输出,不要追加其他模块。
examples:
- input: |
王总说这个月必须上线,李工反馈数据库还没优化完。
output: |
决策:
- 本月必须上线。
待办:
- 数据库优化,负责人:李工,截止时间:待确认。
风险:
- 数据库优化未完成,可能影响上线进度。
这个 Skill 总共没多少字,但已经能覆盖大部分会议纪要场景。注意 instructions 里没有一堆形容词,没有“请务必”,只有动作和输出格式。模型执行起来反而干净。
3.3 配置调用与测试迭代
Skill 写完后,别急着集成到正式流程里。我一般会先用一组真实输入跑一遍,记录输出质量、响应速度和 token 消耗。第一版往往会有几个问题,比如字段缺失、格式漂移,或者部分内容被错误归类。
迭代的时候,每次只改一个变量。比如这轮只增加一条“待办需要标注优先级”,下轮再调整示例。千万不要一次改完 instructions、examples、description 三处,不然出了问题根本不知道是哪一步造成的。
我自己有个习惯:每个 Skill 保存一份 changelog 文档,记录每一版的变更内容和测试结果。这样做的好处是,当某个版本效果突然变差时,可以快速定位是哪个改动引入的回归,而不是凭空猜测。
比较实用的迭代顺序是先打磨 instructions,再调整 examples,最后再优化 description。instructions 决定了逻辑正确性,examples 影响格式稳定性,description 决定触发率,三个问题的调试目标各不相同。
3.4 命名与描述的艺术
Skills 的命名和描述直接影响模型到底会不会调用它。我见过一个团队写了十几个业务 Skills,结果模型几乎从不触发,原因是所有 description 都写得模棱两可。
写描述时可以套用这个模板:“当用户需要 {具体任务} 时使用,适用于 {场景条件}。” 比如:
当用户给出销售数据并希望生成周报时使用。适合包含环比、同比、达成率等指标的数据。
一段足够具体的描述,相当于告诉模型明确的触发规则。命名也要直白,不要用“utils”“helper”这类通用词,模型很难判断它该在什么时候跳出来。更合理的命名是“weekly-sales-report”“meeting-minutes”“customer-complaint-classifier”这种一看就知道干什么的名字。
不过也要注意,不要为了提升触发率就在 description 里堆满貌似相关的热词。比如一个会议纪要 Skill,description 里写“也适用于邮件、周报、项目管理……”结果模型在很多不该用它的地方调用了它,反而干扰正常输出。描述要精准,不要贪心。
4. 避坑指南:实操中反复踩过的 7 个坑
4.1 坑一:瘦身变成“删逻辑”
做减法的过程中最危险的操作,是把“包装”和“约束”一起删掉。我见过有人为了压 token,把“回复中必须包含风险等级字段”这种硬性要求也删了,结果下游程序直接崩了。
解决办法是,动手瘦身前先列一个“必须保留清单”:哪些字段是程序强依赖的、哪些规则是业务红线、哪些格式是不可妥协的。清单里的内容无论如何都要留,能删的只有形容词、背景信息、重复表达和冗余示例。养成这个习惯之后,瘦身就不会闯大祸。
还有一个小技巧:把提示词分成“角色 / 任务 / 输入 / 输出 / 约束”五个区块,逐块判断哪块有水分。角色块最容易被压缩,任务块和约束块要谨慎动刀。
4.2 坑二:Skills 里全量塞知识库
一些人从长 prompt 转向 Skills 后,会把原来提示词里的一大段背景资料原封不动搬进 Skill,甚至把整本操作手册塞进去。结果 Skill 是装好了,但每次调用都要携带几千 token 的静态资料,成本一点没降。
正确的做法是:Skill 的 instructions 里只放“如何执行”的逻辑,不放“需要知道”的全部知识。如果某个任务确实依赖大量背景资料,应该走检索增强,在 Skill 内给出“什么时候要查资料、查什么关键词”的指令,而不是把资料全文写进代码里。
我见过更夸张的案例,有人把一个 Skill 做成了 8000 token 的“知识包”,结果每次对话只要触发,模型光处理这段长上下文就要花掉大量算力,回答速度肉眼可见地变慢。Skill 是“操作手册”,不是“图书馆”。
4.3 坑三:示例太少或太模板化
示例写得不好,比不写示例还要糟。示例太少,模型不知道输出风格和格式,容易飘;示例太模板化,模型会不自觉地照搬示例里的内容,失去对真实输入的泛化能力。
我的经验是,给 1 到 2 个有代表性的示例就足够。第一个示例展示正常输入下应有的标准输出,第二个示例可以刻意准备一个边界情况,比如输入信息缺失时该怎么处理。这样模型既看到常规路径,又看到异常分支,比塞十个相似示例有效得多。
所有示例都要加一句说明:仅供格式参考,不要照搬内容。否则模型会把示例里的业务数据当真,甚至生成时沿用示例里的公司名和客户名,这在真实业务中很难发现。
4.4 坑四:负向指令堆成“禁止清单”
我在第 2 章已经提过“用边界代替穷举”,这里再展开讲一个反面案例。有一个客服分类项目,一开始提示词里有三十多条“不要”,从“不要猜测用户意图”到“不要输出多余解释”,密密麻麻占了大半屏。
结果是模型变得越来越“怂”,大量本应正常分类的内容被判定为“信息不足无法判断”。后来我把这批负向指令全删了,只保留一条“当信息不足以判断时,输出 fallback 类别并标注原因”,准确率反而回升了。
负向指令的本质是给模型画一条安全区域,但它同时也会压缩模型的自由度。每加一条“不要”,模型就会多一层防御性判断。安全必须做,但要用“边界 + 兜底动作”的结构,而不是靠数量堆出来。
4.5 坑五:改了 prompt 不做版本管理
很多团队维护 prompt 的方式是直接改线上配置,完全没有版本管理。今天调了两个词,明天又加了一句约束,出了问题想回滚却找不到上一版内容。
Prompt 和代码本质上是一样的资产,必须按版本管理。我建议哪怕是一个人维护,也用一个目录按日期归档:
prompts/
v20250410_user_profile/
system.md
examples.json
changelog.md
v20250412_meeting_minutes/
system.md
skill.yaml
changelog.md
每次改动,changelog 里记录三个问题:改了什么、为什么改、评测结果对比如何。一个月后你再看,这套记录的价值会远超预期。
4.6 坑六:不同模型用同一套瘦身尺度
GPT-6 这代模型的指令遵循能力比老一代强很多,但并不是所有模型都吃同一套提示词策略。有些模型对“只在被调用时加载”的 Skills 理解得不错,有些模型的调用准确率则很一般;有些模型能从一句话角色设定推出完整行为,有些模型则需要更显式的约束。
所以 Prompt 模板最好按模型分组维护,不要一份模板走天下。我在实际项目中通常会准备两套:一套给交互式模型,写得精炼,依靠模型本身的强大理解力;另一套给 API 批量任务,保留更多格式约束和兜底逻辑,因为批量任务出错更难追踪,宁可多几个 token 也要稳。
4.7 坑七:没有评测就宣布“瘦身成功”
“瘦身后感觉输出变稳定了”这种结论不可靠,必须用量化评测来验证。我做一个比较正式的评测时,会准备一个包含 30 到 50 条真实输入的小测试集,把每一轮输出按“格式正确性”“内容完整性”“业务约束遵循度”打分,并记录 token 消耗。
评测结果用表格汇总,一眼就能看出瘦身是否真的成功:
| 指标 | 瘦身前 | 瘦身后 | 变化 |
|---|---|---|---|
| 平均输入 token | 4200 | 980 | -76.7% |
| 格式正确率 | 82% | 95% | +13% |
| 关键字段缺失率 | 15% | 4% | -11% |
| 平均响应时间 | 3.2s | 2.1s | -34% |
有了这套数据,改提示词就不再是“拍脑袋”了。
5. 常见问题排查速查表
5.1 瘦身后效果明显变差怎么办
先别急着把旧版本原样搬回来。最有效的方式是二分回滚:把新版和旧版的差异分成两块,先回滚一半测试,再根据结果定位是哪个改动导致问题。多数情况不是“瘦身错了”,而是恰好删掉了一个隐藏的硬约束。
如果排查后发现是某个字段约束被删了,直接把那个字段加回去就行。如果发现是整体风格变化导致的输出变差,再考虑是不是减得太多、需要保留一段示例。
5.2 Skills 一直不被调用怎么排查
检查顺序很重要。先看 description 里有没有出现“当用户需要……”这样的触发条件;再看技能名称是否足够具体;然后检查是否有多个 Skill 的描述相互重叠,导致模型不知道该选哪个。
另外,很多平台允许在对话里“点名” Skill,遇到触发问题,可以试试在用户指令里直接写技能名称,比如“用会议纪要整理技能处理这段记录”。如果点名能用、自动触发不能用,问题多半出在描述上。
5.3 token 没降下来怎么排查
提示词瘦身完成后,如果实际 token 消耗没有明显下降,要意识到 token 消耗不仅来自 system prompt。用户消息历史、工具返回结果、检索内容、系统自动注入的指令都会算钱。
打开实际请求日志,按“system prompt / user messages / tool responses / retrieved context”拆分统计,看看大头到底在哪一块。有时候你会发现 system prompt 已经减到 500 token 了,但一次工具返回就塞了 3000 token,那才是需要优化的重点。
5.4 回答与官方推荐不一致怎么办
社区里很多 prompt 模板和 Skills 示例都来自个人实践,包括我这篇,只能作为参考。官方文档更新迭代很快,不同阶段支持的字段、触发机制、最佳实践可能都不一样。
如果你是在正式项目里依赖 Skills,建议把官方文档里关于 Skills 结构和提示词最佳实践的部分完整读一遍,尤其注意“当前支持的字段”和“已废弃的用法”。我踩过一次坑,照着老社区帖子写了一个 Skill 字段,结果当前版本根本不识别,找了大半天问题才发现是文档已经更新了。
我自己这段时间最大的体会是:提示词瘦身和 Skill 化,本质上是在跟模型建立一套更干净的协作协议。你给它的指令越简单,它越知道什么时候该做什么,越不会在一堆冗余信息里迷失方向。
最后再分享一个小技巧:每改一版提示词或 Skill,我会把对应的旧版本复制到变更记录里,标注“改了什么、为什么改、评测结果如何”。一个月下来,你手里那堆 prompt 会变成一份很有说服力的团队资产,而不是一堆改得面目全非的草稿。希望这篇实战记录能帮你在 GPT-6 和 Skills 这条路上少走几步弯路。
153



被折叠的 条评论
为什么被折叠?



