斯坦福大学 CS193T《与AI共思》2026年秋季学期 | 核心提示词

（原标题：Stanford CS193T Thinking with AI | Autumn 2026 | Core Prompting）

🎯 核心概述与策略框架

• 本内容系统阐述了高效利用人工智能（AI）的方法论，强调在追求技术红利的同时，必须保持人类主体性、优化资源消耗并建立可信赖的人机协作机制。
• 明确目标导向：在使用 AI 前需清晰界定预期结果，以保留个人独特声音并缩短迭代过程。例如，避免通过生成数十次 T 恤设计来寻找灵感，而是直接定义设计约束与风格标准。
• 管理者思维模型：将 AI 视为“聪明但缺乏背景知识的新实习生”。用户应采用优秀管理者的委派技巧，明确任务的目标、受众、背景、约束条件及成功标准，而非依赖模糊描述或情感化指令。
• 资源效率原则：追求高效、环保与低成本的目标通常是一致的。需选择匹配任务复杂度的模型及参数设置，避免使用比必要更重的输入类型（如用截图代替文本），以减少昂贵的计算开销。对于简单计算或查找任务，优先使用计算器或搜索功能而非大语言模型。
• 保持独立心智：切勿将自我认知、偏好和意志完全委托给 AI，否则输出结果将沦为“他人幻想的平均值”，导致个人声音被训练数据同化。需通过记录 AI 执行任务的步骤来保留知识，并建立外部预警机制以察觉因过度依赖 AI 而导致的隐性能力丧失。

🛠️ 提示工程技术与优化手段

• 系统提示词与透明度：AI 产品内置隐藏的系统提示词（如 Claude 的公开版本），用于规范行为并体现透明度。理解这些底层指令有助于用户更好地控制模型输出方向。
• 角色设定与接地技术：通过指定专业角色或提供“接地”样本（Grounding）来激活模型参数，减少幻觉并利用统计规律捕捉风格特征。这种方法能有效提升生成内容的专业度和一致性。
• 访谈模式应用：若无法一次性写出详细需求，可要求 AI 先提出至少 10 个澄清问题以完善任务范围。这种反向提问机制能帮助用户梳理模糊想法，确保最终指令的精确性。
• 提示词蒸馏与复用：在达成满意结果后，让 AI 将长对话上下文提炼为独立的“事后复盘”提示词（Prompt Post-mortem）。这一过程不仅便于未来复用高效指令，还能作为知识保留手段，防止技能退化。
• 输入优化策略：避免上传文本截图迫使 AI 执行昂贵的图像识别分析以提取文字；直接复制粘贴文本能显著降低资源消耗。在处理简单任务时，无需启用高算力模型或极高思考强度设置，应匹配任务复杂度选择合适工具。

🧠 模型局限性与信任建立机制

• 自我反思的局限性：LLM 无法访问生成答案时的内部激活状态或权重计算过程，因此对其自身过往预测（如置信度、偏见检查）的反思不可信。尽管训练数据源自充满种族和性别偏见的互联网，LLM 通常会否认存在此类偏差，因为承认偏差不符合其“有用助手”的训练目标。
• 证据优先原则：要求 AI 提供引用并逐一核实原文，警惕看似具体但无出处的事实。对名言需搜索验证以防同义词替换或语法微调。建立基于外部事实核查的信任机制，而非依赖模型的主观陈述。
• 增强可观测性策略：将内部计算过程转化为可见的聊天文本。例如，在处理长文档时要求报告总条目数作为基准检查；在任务规划中要求先输出需求摘要供用户确认后再执行。这种透明化操作有助于发现逻辑漏洞或理解偏差。
• 思维链（Chain of Thought）应用：推理模型通过内部迭代生成中间思考过程，虽消耗更多 Token，但部分产品允许查看该转录或摘要，从而提升透明度。利用这一机制可以监控模型的推理路径，确保其符合预期逻辑。

📂 上下文窗口管理与架构特性

• 新话题新对话原则：避免在单一长对话中混合无关主题（如咖喱食谱与微积分），以防止注意力稀释和不必要的计算成本。每个独立任务应在新的会话中进行，以保持模型注意力的聚焦。
• 警惕“上下文腐烂”：即使同一主题，过长的历史也会限制模型灵活性，导致行为僵化或强化早期偶然出现的错误类比（如 SpongeBob 效应）。定期清理无关历史信息或开启新对话是维持输出质量的关键。
• 利用位置偏差：Transformer 架构存在首因效应和近因效应，系统提示词和最新用户输入权重最高。关键信息应置于上下文窗口的开头或结尾，避免“中间迷失”现象。合理布局指令结构可显著提升模型对核心约束的遵循度。

🌍 环境影响与资源消耗分析

• 推理能耗占比：Nvidia CEO Jensen Huang 指出，超过半数的芯片销售用于基础设施（推理）而非模型训练。这表明大规模应用阶段的计算需求已成为行业主要驱动力。
• 集体效应累积：虽然单次提示词的能耗极低，但大规模集体推理已成为计算资源的主要消耗部分。海量用户的日常交互汇聚成巨大的能源负载，对数据中心运营产生深远影响。
• 优化建议与环保目标：通过减少无效尝试和精简上下文，可显著降低数据中心的能源消耗，从而减轻环境影响。用户应意识到每一次冗余查询或过长对话都在增加碳足迹，倡导简洁、精准的人机交互习惯。

💡 结论与实践行动指南

• 防止技能退化机制：资深程序员发现自己在执行常规任务时突然忘记具体操作细节，表明 AI 导致的技能退化过程缓慢且隐蔽，往往需要特定事件触发才能被察觉。用户需识别一项希望保持敏锐的核心技能，并设计类似烟雾报警器的外部机制，用于早期预警该技能是否正被 AI 使用悄然削弱。
• 知识保留实践：养成习惯在 AI 完成任务后要求生成独立摘要或操作指令文档，以便未来能独立复现该流程。这种“Prompt Post-mortem”不仅是提示词优化手段，更是个人知识库构建的重要环节。
• 教育使命与主体性维护：大学教育的核心在于关注人类的思维与表达方式，理解如何构建、保留并维护个人技能是贯穿整个学期的持续议题。引用 Audre Lorde 的观点：“如果我不为自己定义自己，我就会被碾碎在他人对我的幻想中并被吞噬。”此观点强调在技术环境中维护自我主体性的重要性。
• 技术依赖警示：提及 Star Wars 角色 Nemec 指出，对帝国科技的依赖导致人们遗忘自由及基础生存技能（如飞行导航），警示技术依赖带来的脆弱性。用户应在享受 AI 便利的同时，保持对基础技能的掌握和对独立判断力的锻炼，避免成为技术的被动接受者而非主动驾驭者。