一个Prompt的"排异反应"
我们写了一个精心设计的Prompt用于代码生成，在GPT-5上稳定运行了三个月，效果完美。出于成本考虑，我们把它移植到DeepSeek V3上——同样的Prompt，同样的任务，效果下降了约30%。
不是模型不够好，是Prompt与模型"不对付"。 每个模型都有自己的"Prompt方言"——同一个意思，需要用不同的方式表达，才能在不同的模型上发挥最佳效果。
为什么同一个Prompt在不同模型上表现不同
原因一：训练数据分布不同。 GPT-5的训练数据中，英文技术文档占比高，所以它对结构化、技术化的Prompt风格响应更好。Claude 4 Opus的训练数据中包含了更多对话和创意写作，所以它对自然语言风格、角色扮演式的Prompt更敏感。
原因二：对齐方式不同。 GPT-5的对齐倾向于"准确执行指令"，即使指令本身不太合理。Claude 4 Opus的对齐倾向于"理解用户意图后给出最佳回答"，有时会"修正"你不够好的指令。这在某些场景中是优势，在某些场景中是干扰。
原因三：上下文处理机制不同。 GPT-5对长Prompt中的信息"均匀关注"，但可能在非常长的Prompt中"遗忘"中间部分。Claude 4 Opus对Prompt开头和结尾的信息"加权关注"，中间部分可能被忽略。Gemini 3 Ultra对格式约束的敏感度低于其他模型。
四大模型的Prompt适配指南
GPT-5适配：
- 偏好：结构化、层次清晰、详细的指令
- 避免：过于口语化、模糊的表达
- 技巧：将指令按重要性降序排列，最关键的约束放在最前面
- 示例：“请执行以下任务：[任务描述]。约束条件：1）[约束A]；2）[约束B]；3）[约束C]。输出格式：[格式要求]。”
Claude 4 Opus适配：
- 偏好：自然语言、角色扮演、上下文丰富的指令
- 避免：过于生硬的命令式语气
- 技巧：用"你是一个…“开头，用"请帮我…“代替"请执行…”
- 示例：“你是一名资深软件工程师。请帮我完成以下任务：[任务描述]。我的场景是：[上下文]。我特别关注：[重点]。”
Gemini 3 Ultra适配：
- 偏好：直接的指令，不需要太多"闲聊”
- 避免：过于复杂的格式约束
- 技巧：在Prompt开头和结尾各重申一次关键约束
- 示例：“任务：[任务描述]。格式：[格式要求]。请严格按格式输出。再次强调：格式要求为[格式要求]。”
DeepSeek V3适配：
- 偏好：中文Prompt用中文写，英文Prompt用英文写——不要混用
- 避免：中英文混杂的Prompt（会显著降低效果）
- 技巧：用中文思维组织Prompt，不要从英文直译
- 示例：“请帮我完成以下任务：[任务描述]。要求：[中文要求]。注意事项：[中文注意事项]。”
跨模型兼容的Prompt设计原则
如果你的Prompt需要在多个模型上运行（比如搭建了一个模型路由系统），遵循以下原则：
原则一：用最通用的语言。 避免依赖某个模型特有的"理解方式"。写出一个人类也能理解的指令，而不是一个针对特定模型优化的指令。
原则二：显式比隐式好。 不要依赖模型"理解你的意图"——显式地说出来。不要写"专业一点"，写"使用正式的语言，引用权威来源，避免口语化表达"。
原则三：测试，测试，再测试。 在目标模型上各测试20个案例，观察失败模式。不同模型的失败模式往往不同，了解这些差异是优化跨模型Prompt的关键。
原则四：考虑使用模型路由 + 模型专属Prompt。 与其写一个"通用Prompt"，不如为每个模型写一个"专属Prompt"，然后根据调用的模型动态选择Prompt。这增加了维护成本，但效果显著提升。
一个深刻的经验： Prompt不是"写"出来的，是"适配"出来的。在2026年的多模型生态中，“一个Prompt走天下"的时代已经过去了。 学会为不同的模型写不同的Prompt，是Prompt工程师的核心竞争力。