1.1 关键词界定：什么是“复杂概念通俗解释提示词”
我经常遇到朋友问我，“你是做这行的，能不能用我能听懂的话给我讲讲，到底什么是区块链？”每次听到这种问题，我都觉得这活儿比写代码还难。区块链这玩意儿，专业术语能堆成山，可你要真拿术语去解释，对方三秒后眼神就飘走了。所以我后来学乖了，先把自己想象成对方，再决定怎么开口。
说白了吧，“复杂概念通俗解释提示词”就是一句话的事：你给AI下的一道指令，让它把一个你搞不明白的专业概念，翻译成人话。这个词组里头有三个关键词，拆开来看特别有意思。“复杂概念”是原材料，它得是有门槛的、有专业壁垒的东西，比如量子纠缠、期权定价、熵增定律。“通俗解释”是加工方式，要求你把术语壁垒拆掉，用日常语言重建理解路径。“提示词”则是你递给AI的那把工具，它决定了AI是给你端出一盘学术论文，还是给你讲一个你妈都能听懂的买菜故事。
我见过太多人把提示词想得太简单了。他们以为只要打一句“帮我解释一下什么是机器学习”就算完事。这就像你去饭馆点了道“随便”，厨师端上来什么全凭运气。真正有价值的提示词，得包含你对“谁来听”“听多深”“听完要能干什么”这些问题的答案。它不是咒语，更像是一份设计图纸，你把每个房间的用途标清楚了，AI才知道哪里开窗、哪里砌墙。
1.2 为什么需要提示词：降低理解门槛、提升沟通效率与知识传播效果
这事儿得从我一次真实经历说起。公司内部搞技术分享，轮到一位算法工程师讲“注意力机制”。他准备了四十页PPT，满屏公式和注意力权重矩阵。讲了十分钟，底下市场部的同事已经开始刷手机了。会后我问一个做运营的姑娘听懂了没，她说：“每个字都认识，连在一起不知道在说啥。”你看，这就是典型的“知识诅咒”——讲的人站在山顶，觉得下山的路明摆着，可山脚下的人根本看不见路在哪。
提示词解决的就是这个信息落差问题。它不是让内容变浅薄，而是重新铺一条坡道。你想想，同样一个“复利”概念，银行理财经理跟你讲年化收益率和计息周期，你可能扭头就走；但如果你让他用“滚雪球”来打比方，你立刻就能抓住“利滚利”的核心。提示词就是逼着AI去当那个愿意铺坡道的人，而不是站在山顶扔绳子。
我还有一个体会，提示词真正值钱的地方不在于“解释”，而在于“对齐”。你把受众画像写进提示词里，比如“给完全没有金融背景的宝妈解释什么是基金定投”，AI的输出就会自动避开夏普比率、最大回撤这些词。它在替你完成一次预沟通，把你脑子里模糊的“说人话”三个字，翻译成具体的语言策略。知识传播的效率瓶颈，往往不在知识本身，而在翻译环节。提示词就是把这个翻译环节标准化、可复用了。
1.3 提示词发挥作用的底层逻辑：角色设定、受众画像、类比映射、分层拆解与输出约束
我琢磨这事儿很久了。为什么有些提示词扔给AI，出来的东西还是像教科书？后来我拆了几十个效果好的案例，发现它们背后有五个齿轮在咬合。角色设定是第一道开关。你让AI“扮演一位有十年经验的物理老师”，和只说“解释一下相对论”，出来的语气和节奏完全两码事。角色一换，AI会自动调用那类人群的说话习惯——老师会先问“你哪里没听懂”，专家会先给定义。
受众画像决定了用词的水位线。我试过同一个“通货膨胀”概念，一组提示词写“给退休老人解释”，另一组写“给经济学大一学生解释”。前者AI会拿“钱变毛了，同样的钱买的东西少了”来打底，后者则敢用“货币供应量增速超过商品服务产出增速”这种表述。没有受众画像，AI就默认你在跟一个模糊的“普通人”说话，那它只能取中间值，结果谁听了都觉得不够解渴。
类比映射是让抽象概念落地的关键一招。人的大脑对具体事物的记忆效率远高于抽象符号。你讲“神经网络”，说它模仿人脑神经元连接，不如说它像“一个特别爱记笔记的学生，每道题做错了就在本子上标个记号，下次遇到类似的题先翻笔记”。分步拆解则是把一坨知识切成片，一片一片喂。你不能一口气把“机器学习全流程”倒出来，要拆成“喂数据—找规律—做预测—纠错”四步，每步配一个日常场景。输出约束是最后一道闸门，你得明确告诉AI“不许用超过两个专业术语”“每个术语第一次出现必须括号解释”“最后给一个一句话总结”。这几个齿轮不转，提示词就是一句空话。
1.4 设计总原则：准确优先、通俗有度、结构清晰、边界明确、可验证
我踩过最大的坑就是“通俗过头”。有一次我想给一个完全不懂编程的朋友解释“API”，我自己写提示词说“越通俗越好，最好用生活比喻”，结果AI给我来了句“API就像餐厅的服务员，你点菜他传话”。朋友听完问我：“那服务员要是把菜端错了怎么办？”我愣住了——这个类比漏掉了“接口规范”这个核心，只讲了传话功能，没讲“按菜单格式点菜”这个约束。通俗是手段，准确才是目的。比喻再生动，把关键属性弄丢了，就是帮倒忙。
通俗要有度，这个“度”我理解是三层意思。第一层，不能用错误的简化代替正确的复杂。比如不能说“大脑就像肌肉，越用越灵活”，这话听着舒服，但神经科学里大脑的可塑性机制远比肌肉增长复杂。第二层，不能为了顺口而省略边界条件。你说“多喝水对身体好”，得补一句“肾脏功能正常的人”，不然就是误导。第三层，结构清晰不是指非得列一二三四，而是逻辑线要能被听众一把攥住。我常用的结构是“一句话定义—一个生活类比—三个关键点—一个常见误区”，这个骨架能撑住大部分概念。
边界明确和可验证是我后来才重视的。边界明确是说，你得告诉AI“这个解释不涉及哪些情况”。比如解释“什么是算法歧视”，你要补一句“这里讨论的是推荐系统场景，不涉及司法量刑”。可验证是说，解释里的事实性内容要能被查证。你让AI举例“统计学里的辛普森悖论”，它举了个医疗数据案例，你得确保这个案例的数据趋势真能体现悖论。设计提示词时把这些原则写进去，等于给AI画了个圈，它在这个圈里怎么跑都不会太离谱。
1.5 复杂概念通俗解释提示词模板的整体框架预览
我手里现在用的模板，说白了就五块拼图。第一块是目标概念，你得把要解释的东西写清楚，最好带上一句“它属于哪个领域、通常用在什么场景”，这样AI不会跑偏。第二块是目标读者，越细越好，别只写“小白”，要写“刚转岗到市场部、没接触过数据分析的同事”。第三块是解释深度，你得选一个档位——是“知道是什么就行”，还是“能跟人聊五分钟不露怯”，还是“能动手操作”。
第四块是输出格式，我一般要求“先给一句话定义，再给一个生活类比，然后分三步拆解，每步不超过两句话，最后列一个常见误区和一道自测题”。这个格式是我试了十几次定下来的，它逼着AI把干货挤在前面，不绕弯子。第五块是类比边界和自测环节，我会写一句“类比要覆盖概念的核心机制，如果类比有局限请直接说明”，再写一句“自测题的答案要能在解释正文里找到依据”。
这五块拼图不是死板的，你根据场景加减。但有一个东西我从来不省——自测环节。因为解释得通不通，不看AI说得多热闹，看你能不能答对自测题。我有个习惯，拿到AI的解释后，先不看正文，直接做自测题。做错了，说明提示词里某个约束没写到位，回头改提示词重来。这个笨办法帮我筛掉了大量“看着挺顺、其实稀里糊涂”的输出。
整个框架预览下来，你会发现它更像一份沟通合同。你作为需求方，把“给谁讲、讲多深、怎么讲、怎么验收”写进合同里，AI作为乙方照章办事。合同越清楚，交付物越靠谱。下一章我会把这五块拼图拆开，一块一块讲怎么填、怎么调、怎么组合出不同场景的变体。
2.1 通用模板要素：目标概念、目标读者、解释深度、输出格式、类比边界与自测环节
我给别人改提示词改多了，发现一个规律：那些效果不好的提示词，往往缺的不是文采，是交代不清。你递给AI一句话“解释一下什么是梯度下降”，它只能靠猜——猜你是什么背景、猜你想听到什么深度、猜你拿到解释之后要干嘛。猜对了是运气，猜错了是常态。所以我现在写任何解释类提示词，都先把六个要素摆桌面上：目标概念、目标读者、解释深度、输出格式、类比边界、自测环节。
这六个要素里，前三个是地基。目标概念你得写准，不能只写“梯度下降”四个字，得补一句“机器学习里用来优化模型参数的方法”，否则AI可能给你扯到地理课本里的坡度计算。目标读者我一般写到“具体的人”这个颗粒度，比如“刚入职三个月、做过基础Excel报表、但没写过代码的运营专员”。你写得越像一个人，AI选词的准确率就越高。解释深度我习惯分三档说清楚——“知道是什么就行”“能跟人聊五分钟不露怯”“能上手做简单操作”，三档对应的术语密度和展开篇幅完全不一样。
后面三个要素是保险栓。输出格式我不喜欢放任AI自由发挥，通常会指定“一句话定义打头，接着一个生活类比，然后分三步拆解，每步配一个具体例子，最后列两个常见误区和一道自测题”。类比边界这个事我吃过亏，有一次AI把“缓存”比作“冰箱里常备的菜”，听起来挺顺，但完全没覆盖“缓存失效”这个关键机制，听众遇到缓存穿透的场景就懵了。所以我现在会加一句“类比必须覆盖概念的核心运作机制，如果类比有简化或失真请明确标注”。自测环节是我验收的抓手，我要求自测题不能是“什么是XX”这种复读题，得是“如果遇到XX情况，你认为该怎么处理”这种应用题，答案还得能在正文里找到依据。
2.2 基础模板结构：一句话定义、生活化类比、分步拆解、具体例子、常见误区与自测问题
我手里这个基础模板用了几十次，结构没大改过。第一块是一句话定义，但我不让AI写那种“XX是指……”的教科书句式，我会要求“用不超过二十个字说清楚它解决什么问题”。举个例子，解释“数据库索引”，教科书式定义是“一种数据结构，用于加速数据检索操作”，我让AI改成“就像给书加目录，让你不用一页页翻就能找到内容”。后者你听完脑子里有画面，前者你听完还得再问一句“所以呢”。
生活化类比这块我盯得最紧。类比要选听众日常高频接触的东西，你给程序员讲“消息队列”拿“餐厅取号排队”打比方，他秒懂；你给医院行政人员讲同一个概念，拿“挂号窗口的分诊排队”来类比，效果更好。类比之后是分步拆解，我要求每一步只讲一个动作，每步不超过三句话。比如“机器学习训练过程”拆成四步：喂数据、找规律、做预测、算误差调参数。拆完每一步你得配一个具体例子，不能拆完就完了。例子要小，小到能在一段话里讲完。常见误区我一般指定两个，一个是“过度简化导致的错误理解”，另一个是“边界条件被忽略的情况”。自测题放在最后，我会加一句“答案必须能在上面正文里找到对应句子”，这逼着AI前后逻辑自洽。
2.3 场景化模板变体：面向儿童、非专业同事、管理者、客户与跨学科学习者的差异化写法
同一个概念换五拨人听，提示词写法完全不一样。我拿“什么是算法”这个概念试过五种版本，出来的东西差异大到像五个不同概念。给小孩解释，我的提示词里会写“禁止使用任何抽象名词，所有类比必须来自吃饭、玩游戏、整理玩具这三个场景”。AI给的版本是“算法就像你收拾乐高积木的步骤，先按颜色分堆，再按大小排好，每次都用同样的步骤，收得又快又整齐”。小孩听完能复述。
给非专业同事解释，我强调“允许使用职场场景类比，但每个类比后面必须跟一句‘这个类比的局限是……’”。比如解释“A/B测试”，AI用“同时开两家分店试新菜”来打底，后面补一句“局限是真实商业环境里两拨顾客可能本身就有差异，不像分店选址那么随机”。这个补充特别重要，不然同事回去跟人聊，一被追问就露馅。给管理者解释，我的提示词会写“结论先行，第一段给出这个概念的商业价值判断，第二段再展开机制，全程控制在一个屏幕能读完的篇幅”。管理者要的是决策依据，不是科普小作文。给客户解释，你得加一句“禁止使用任何可能引发安全或隐私担忧的类比”。我见过AI把“数据加密”比作“把贵重物品锁进保险箱”，客户听完第一反应是“那我的数据是不是也被锁起来了，我自己还能用吗”。跨学科学习者这个变体最微妙，我一般写“假设读者在本领域有深厚基础，但对你解释的这个概念所属领域完全陌生，类比要跨到读者熟悉的学科里去”。给一个经济学背景的人解释“熵”，我让AI用“市场从有序竞争走向垄断无序的自然趋势”来打底，对方一下就抓住了方向性。
2.4 约束与校验模板：禁止术语堆砌、术语首次解释、事实核查、反例说明与不确定性标注
我见过最气人的AI输出是这样的：你让它解释“什么是区块链”，它回你一段话，里面塞了“分布式账本、共识机制、哈希函数、智能合约”四个词，每个词你都不认识，得再问四遍。这就是典型的术语回潮。所以我现在写提示词必加一条硬约束：“全文中专业术语总数不超过三个，每个术语第一次出现时必须用括号加一句大白话解释，解释里不许出现新的术语。”这条约束能筛掉八成的敷衍输出。
事实核查这块我吃过哑巴亏。有次让AI举例说明“幸存者偏差”，它举了个二战飞机装甲的经典案例，数据说得有鼻子有眼。我差点直接用了，后来顺手查了一下，发现伤亡数字跟原始文献对不上。从那以后我的提示词里多了一句“所有事实性陈述、数据、人名、年份必须标注可信度等级——‘高’表示有广泛共识，‘中’表示存在不同说法，‘低’表示AI不确定需人工核实”。反例说明是另一个好用的工具，我会要求“给出一个该概念不适用或会失效的反例场景”，这能帮听众理解边界在哪。不确定性标注我一般放在最后，写一句“如果解释中某些推断缺乏充分依据，请在该句末尾用‘[推测]’标出”。这个标记看着碍眼，但能防止你把AI的猜测当事实传播出去。
2.5 模板使用流程：澄清需求、选择模板、填充变量、生成解释、追问修正与二次校验
这套流程我走了不下百遍，现在基本条件反射了。第一步澄清需求，我拿张纸先回答四个问题：这个概念我自己到底哪里没搞懂？听我解释的人是谁、他拿这个解释去干嘛？我最怕他听完产生什么误解？我手里有没有现成的例子可以用？这四个问题答不上来，我宁可先不写提示词。第二步选模板，基础模板打底，根据受众在场景化变体里挑一个叠加进去。
第三步填变量，把目标概念、受众特征、禁用词清单、输出格式要求往模板里塞。这一步我有个笨习惯——填完变量后自己先读一遍提示词，假装自己是AI，看看有没有歧义。第四步让AI生成解释。第五步追问修正，我一般至少追问两轮。第一轮问“你刚才解释里用的那个类比，如果遇到XX情况还成立吗”，第二轮问“你能不能把第三步拆解再拆细一点，每一步只保留一个动作”。追问能逼出AI藏在第一版后面的细节。第六步二次校验，我拿自测题自己先做一遍，做不对就回去改提示词里的约束条件。有时候改完提示词重新生成，出来的版本反而更差，我就把两个版本摆一起看，哪个版本的自测题我做得更顺就用哪个。这个流程笨是笨了点，但比拍脑袋写一句“帮我解释一下”靠谱得多。
3.1 AI解释复杂概念的提示词示例一：科学技术概念解释的提示词写法
科技概念是最容易翻车的一类。我试过让AI解释“量子纠缠”，第一版回给我一段话，里面塞了“波函数坍缩、非定域性、贝尔不等式”三个词，我自己看得懂，但我那个做行政的朋友听完直接说“你再说一遍”。后来我把提示词改成这样写：“请用给高中生讲课的口吻解释量子纠缠，全文只允许出现‘量子’和‘纠缠’两个专业词汇，每个词第一次出现时用括号加一句不超过十五个字的解释。开头用一个生活类比引入，类比必须能覆盖‘两个粒子状态关联’这个核心机制。拆解部分分三步走，每步配一个我能想象出来的画面。全文控制在五百字以内，结尾出一道选择题考考我。”
这个提示词最关键的变化是那句“类比必须能覆盖核心机制”。AI给的版本把纠缠比作“两枚魔法骰子，无论相隔多远，掷出一个六，另一个自动变成六”。后面紧跟了一句标注：“这个类比简化了量子态的叠加性，真实情况里骰子在没掷之前是同时处于多个点数的叠加态。”这个标注就是我要求加的“类比局限性说明”，没有它，听众会以为纠缠就是提前约好的暗号，跟经典物理里的关联没啥区别。
我写科技类提示词还有个习惯，就是指定“反常识锚点”。每次我会加一句“在解释中至少指出一个与该概念相关的常见直觉误区”。比如解释“光速不变”，我会让AI专门点出“速度叠加的直觉在光速这里失效了，你坐在飞驰的火车上往前扔球，球速是火车速度加球速，换成打开手电筒，光速还是那个数”。这个锚点能帮听众把新知识和旧直觉挂上钩，挂上了就不容易忘。我拿这个模板试过解释“区块链”“5G”“基因编辑”，出来的版本比不给锚点的版本，接受度高出一截。
3.2 AI解释复杂概念的提示词示例二：商业与数据概念解释的提示词写法
商业概念的解释有个特殊难点：听众往往带着“这东西跟我KPI有什么关系”的预设来的。我写这类提示词的起手式是交代场景：“请解释‘用户生命周期价值’这个概念，听者是电商公司的运营主管，他每天看报表但没学过财务模型，他关心的核心问题是‘这个概念能帮我做什么决策’。第一段直接给结论，这个指标在他的日常工作中能替代掉哪个他已经在用的模糊判断。第二段再展开怎么算。禁止使用‘获客成本’‘留存曲线’这类词开场，要先把业务问题摆出来。”
我给同事解释“AARRR模型”那次，提示词里加了句“每一环节的类比都要用线下门店的场景来打底，因为听者以前在连锁零售干过”。AI交出来的版本把“激活”环节比作“顾客走进店里，你得让他第一眼看到试吃台，而不是让他站在门口找半天收银台在哪”。这位同事听完当场就说“这不就是我们以前搞的门店动线设计嘛”。类比的准头对了，概念落地就快。
数据概念更麻烦一点，因为数字本身不带情绪。我写“数据埋点”这种概念的提示词时，会强制要求“用一个具体的失败案例来引入”。AI给的是“某App上线新功能后发现没人用，团队以为功能设计有问题，加埋点一看，是入口按钮被弹窗挡住了，百分之八十的用户压根没看见”。这个案例摆在定义前面，听众的注意力立刻被抓住了。我还会在提示词末尾加一句“解释完请用一句话回答：这个概念如果不搞清楚，最坏的情况会是什么”。这个追问能逼AI把利害关系点透，而不是干巴巴讲定义。
3.3 AI解释复杂概念的提示词示例三：抽象理论与哲学概念解释的提示词写法
哲学概念的提示词是我写得最慢的一类。抽象概念没有实物对应，类比稍微歪一点，听众理解的方向就偏到隔壁学科去了。我写“什么是存在主义”的提示词时，试了四版才找到感觉。核心约束是这句：“请用一个具体的人生决策场景来铺底，整个解释围绕‘一个刚被裁员、正在纠结要不要转行的三十五岁程序员’展开，每讲一个存在主义的要点，就回到这个人的处境上说明这个要点怎么用。”
AI给的版本开头是“存在主义说的‘存在先于本质’，翻译成这个程序员听得懂的话就是：你先被裁了，这是事实，然后你得自己决定接下来干什么，没有一本人生手册告诉你三十五岁被裁的人应该去送外卖还是去考研，你做什么，你就成为什么”。这个写法比从克尔凯郭尔讲起管用一百倍。
抽象理论我还加了一条“禁止用另一个抽象词解释这个抽象词”。有一回AI解释“异化”，用了“物化”和“对象化”两个词，我读完的感受是“你拿三个我不认识的词互相解释，等于啥也没说”。后来我把这条硬约束写进提示词，要求“每个抽象表述后面必须跟一个你能在菜市场或办公室里观察到的具体现象”。解释“异化”的那段就变成了“你写代码的时候，代码是你的作品，你清楚每一行为什么这么写；到了大公司流水线上，你每天改的是别人写的、你也没时间看懂的模块，你变成了系统里的一个零件，这就是异化感最朴素的样子”。抽象概念得靠这种日常切片来落地，光靠术语互译，听众只会越听越晕。
3.4 效果评估维度：通俗性、准确性、完整性、可行动性与受众匹配度
我判断一个解释好不好，不看它读起来顺不顺，看五件事。通俗性我有个土办法——把AI生成的解释念给我妈听，她要是中间不打断我问“等等，这个是什么意思”，就算过了第一关。这个办法筛掉了大量一嘴术语的版本。准确性我不靠感觉，靠自测题。我会让AI在结尾出三道题，其中一道题必须涉及边界条件。如果这道题的答案在正文里找不到依据，说明解释要么漏了关键信息，要么前后逻辑有裂缝。
完整性这个维度容易被误解。完整不等于面面俱到，我理解成“该有的关键部件都在”。一个合格的解释得有定义、有类比、有拆解、有例子、有边界说明，这五样缺一样我就打回去补。可行动性是指听众听完能不能做点什么，哪怕只是“下次开会听到这个词不再心里发慌”也算。我给客户解释“边缘计算”那次，提示词里直接写“结尾请给一句听众明天就能用上的话”，AI给的是“下次你们讨论视频卡顿的时候，你可以问一句‘这个卡顿是发生在用户手机本地还是传到机房之后’，这个问题能帮你判断要不要考虑边缘计算方案”。这句话后来真被那个客户在内部会上用了。
受众匹配度是最主观的一项。我的评估标准是“听者能不能用自己的话把这个概念转述给第三个人”。我经常让AI生成解释之后，自己假装是听众，用一句话对着空气复述一遍，卡壳的地方就是匹配度出问题的地方。有一回给财务同事解释“私域流量”，AI的版本通篇拿“池塘养鱼”打比方，财务同事听完问我“所以这跟客户名单有什么区别”。我回去改提示词，加了句“听者有财务背景，类比请从资产和负债的角度切入”，重做的版本把私域比作“你自己名下的一块地，种什么、什么时候收、卖给谁你说了算，公域流量则是租来的铺位，流量费就是租金”。这一版她听完直接说“这不就是自有资产和租赁资产的差别嘛”。
3.5 迭代优化方法：根据反馈增删类比、调整解释层级、控制篇幅与补充例证
我改提示词一般不在第一版上死磕，先让AI跑一版出来，拿着这版当靶子。第一个动刀的地方通常是类比。我常用的追问句式是“你刚才用的那个类比，如果听众追问‘那XX情况怎么解释’，这个类比还兜得住吗”。AI有时候会主动说“兜不住，这种情况需要换一个类比或者补充说明”，有时候会硬撑说“没问题”，这种时候我就自己琢磨，琢磨出问题就逼它换。解释“期权”的时候，AI拿“买保险”打比方，我问了一句“那期权卖方相当于谁”，它承认保险类比覆盖不了卖方视角，换成了“买一张未来某天可以按约定价格买房的意向书，意向书本身要花钱，到期你可以选择执行也可以放弃”。
解释层级这东西，第一版经常不是深了就是浅了。我的做法是让AI一次生成两个版本，一个“三十秒版本”和一个“三分钟版本”，我看看哪个更贴近听众的需求，然后拿那个版本做底子再微调。篇幅控制我用的招比较粗暴，直接加一句“删掉所有形容词和修饰性从句，只留主谓宾，看看还剩多少信息量”。这一删往往能暴露出哪些段落是在灌水。补充例证通常发生在自测题做不对的时候，我会说“第三道自测题的答案在正文里找不到，请补一个能支撑这道题答案的具体例子，例子不超过三句话”。
这套迭代我最多跑三轮。第一轮修类比和层级，第二轮修篇幅和例证，第三轮做整体一致性检查。跑到第三轮还改不动的地方，我就认了，说明这个概念的某个角落我自己也没吃透，得先去补课再来写提示词。这个自我认知挺重要，提示词救不了写提示词的人自己没搞懂的东西。
3.6 常见误区与避坑：过度简化、类比失真、术语回潮、缺少边界说明与事实偏差
过度简化是我踩得最多的坑。有一回让AI给小白解释“什么是API”，它给了句“API就是两个软件之间的服务员”。这个类比听着顺耳，但听众接下来问“那这个服务员听谁的话、菜单上有什么菜、结账找谁”，全都没覆盖。过度简化的问题在于它把机制全抽掉了，只剩下一个空壳比喻。我后来在这类提示词里加了一条“类比之后必须跟一句‘但这个类比没说的是……’”，强制把被简化掉的关键部件补回来。
类比失真比过度简化更隐蔽。解释“机器学习过拟合”的时候，AI拿“学生死记硬背考题”打比方，听起来挺对，但它没说的是“死记硬背的学生在遇到新题时表现差，而过拟合的模型在训练数据上表现极好、在新数据上表现差，两者方向其实相反——学生是记不住，模型是记得太死”。这个失真不标注出来，听众会把过拟合理解成“学得不够”，刚好搞反了。术语回潮这个坑我前面提过，防它的办法就是在提示词里写死“全文术语不超过三个，每个术语首次出现带括号解释，解释里不许出现新术语”，生成之后拿眼睛扫一遍，超了就退回去重写。
缺少边界说明和事实偏差经常一起出现。我让AI解释“摩尔定律”，它洋洋洒洒讲了一通芯片性能每十八个月翻倍，我追问一句“这个定律现在还成立吗”，它才补上“近年来制程逼近物理极限，翻倍周期已经拉长，而且这个观察最初针对的是成本而非性能”。这一句补上之前，整个解释是有误导性的。事实偏差我现在的防线是那句可信度标注，凡是带数字、年份、人名的陈述，我都要求标“高/中/低”，标“低”的我自己去查一遍再决定用不用。这套流程繁琐，但比事后被人揪出错来要省事。
3.7 扩展应用场景：教学课件、产品说明、科普内容、跨部门沟通与知识库问答
这套提示词我后来发现用处远不止“解释给一个人听”。做教学课件的时候，我把“受众画像”那栏改成“一个班四十个学生，三分之一有基础、三分之一零基础、三分之一在走神”，提示词里加一句“开头三句话必须抓住走神那三分之一的人的注意力，用一个跟他们生活相关的场景切入”。AI给的课件开头是“你们昨天用打车软件叫车，有没有想过为什么系统派单给你的是三公里外那辆车而不是旁边那辆”——这个钩子比“今天我们讲调度算法”好使多了。
产品说明书的场景下，我把提示词里的“输出格式”改成“分四块：一句话说清这功能解决什么问题、什么情况下该用、什么情况下不该用、用了之后预期看到什么变化”。这个四块结构后来被我们产品团队直接拿去当文案模板用了。科普内容的要求不太一样，我会加一句“允许适度幽默，每八百字里至少有一个让人想截图转发的金句”。跨部门沟通这个场景我用得最频繁，给技术团队和业务团队拉齐认知的时候，我会让AI生成两个版本，一个“技术视角版”一个“业务视角版”，然后我自己把两版揉成一份对照表，左边技术术语右边业务说法，开会的时候投在屏幕上，两边都能指着说“哦你说的是这个”。
知识库问答这个场景是最近才跑通的。我把常见问题清单喂给AI，让它针对每个问题生成一条解释，提示词里规定“每条回答不超过两百字，结尾附一个‘相关概念’链接”。这个用法最考验提示词的约束能力，因为知识库最怕的就是答案越写越长、概念越扯越远。我现在给知识库写提示词，一定会加一句“如果这个概念跟当前问题只是弱相关，请直接说‘这个问题需要另一个独立条目来解释’，不要强行塞进当前回答里”。这句话帮我省掉了大量后期编辑的功夫。
