坑一：迷信咒语
把效果不好归因于措辞不够玄，于是不断叠加形容词与感叹句。这类改动无法解释、无法复现，换个人写就失效；正确做法是把任务拆细，用示例与输出结构约束，再用评测判断改动是否有效，而不是比谁的词更重。
坑二：只改提示
输入缺字段、知识过期、流程本身有断点，这些问题不会因为提示写得好而消失。先检查输入是否完整、知识是否有出处，再谈提示优化；否则只是在错误的前提上做表面修饰，越改越难定位，最后连问题出在哪都说不清。
坑三：无评测迭代
没有评测集时，改提示只能靠几个人试几条，结论随样本变化。常见后果是修好一个场景、弄坏另一个，团队陷入反复争论。至少要有几十条覆盖正常、边界与拒答的样本，改动前后各跑一遍，才谈得上迭代。
坑四：用提示做管控
把不得输出敏感信息、不得承诺价格写进提示，只是软约束。只要换一种问法就可能被绕过，真正需要的是输出侧的关键词与规则校验、权限隔离与人工审批，提示只能作为第一道防线，而不是最后一道闸门。
坑五与坑六：长度与漂移
提示越堆越长，关键约束被稀释，模型开始顾此失彼；模型升级后行为漂移，旧提示悄悄失效却无人察觉。控制长度、按任务拆分模板、把模型版本与提示绑定记录并定期重跑评测，是这两类问题的共同解法，也最省心。
适用与不适用
适合谁
- 已经上线提示模板、效果不稳定的团队
- 正准备把个人提示沉淀为团队资产的部门
- 需要向管理层解释投入产出的一线负责人
不适合谁
- 还没有任何真实样本与使用记录的团队
- 希望用提示替代权限与审批设计的项目
典型场景
某保险公司的理赔说明模板上线两个月后投诉增多。复盘发现模板被陆续加了七段补充说明，关键字段约束被挤到最后；同时模型版本升级过一次，团队没有重跑评测。删减到三段并锁定版本、补上输出校验后，问题才逐步收敛。
可执行步骤
- 把现有提示按任务拆开，统计长度与改动次数，标出无人维护的模板与版本
- 对照六个坑逐条标记可疑项，按影响面排出修复顺序，先修正在上线使用的那些
- 补齐最小评测集，改动前后各跑一遍，把差异记录到同一张表里便于横向比较
- 把软约束改为输出校验与审批，提示只做提示，责任落到具体岗位与流程
常见坑
- 迷信咒语式改写，效果不可解释也不可复现，交接时无人能接手维护，最后只能整段推倒重写，时间全白费。
- 只改提示不动数据，输入缺字段时模型只能猜，输出看似完整却不可用，责任却落在使用部门，返工还得从源头开始。
- 把合规要求只写在提示里，被绕过时才发现没有输出侧拦截，追责也困难，整改还得把整条流程重做一遍。
- 提示无限加长，关键约束被稀释，模型开始顾此失彼，维护成本持续上升，效果却不再提升，团队也逐渐失去耐心。
自检与验收清单
- 模板是否按任务拆分并控制长度，每次改动都有记录
- 是否有可复跑的评测集，并纳入历史失败样本与边界
- 敏感与合规要求是否有输出侧校验与拦截记录
- 模型升级后是否重跑过评测，并留下可比的对比结论
常见问题
为什么同样的提示别人用效果好？
多半是输入数据、模型版本或用例分布不同。提示只是链路的一环，脱离数据与模型谈效果没有意义。要比较就在同一批样本与同一模型版本上跑，否则结论不可迁移，也容易误判投入方向。
提示里写不许编造有用吗？
有用但不充分。它降低了编造倾向，却无法杜绝，尤其在知识缺失时。更稳的做法是提供可引用的知识片段、要求给出出处，并在输出侧做事实核查与人工复核，三层叠加才可靠，单靠一句禁止收效有限。
多久需要重测一次？
模型或业务口径一变就应重测，此外建议按固定周期做一次回归。金融、医疗等口径变化快的行业周期更短。重测不必全量，抽取核心场景与历史失败案例即可发现大部分漂移，成本可控。