最近调提示有点心得想跟版里各位聊聊。大家教模型干活，习惯啪啪甩一堆正确范例，few-shot 嘛，理所应当。但我这段时间反过来试——在 prompt 里先给两三个翻车案例，效果反而更稳。

道理不复杂。模型学的其实是边界，不是标准答案。你给它看什么是对的，它只知道这一条路能走；你给它看什么是错的、为什么错，它才明白哪些岔路踩不得。跟咱们当年翻错题集一个意思，对的题看一遍就过了，错的才记得住。

更实在的是，反例天然带推理链。一句"这段代码在并发下会丢更新，因为没加锁"信息密度比十行正确代码都高，还省 token。你不用苦口婆心写规范，丢个典型翻车现场它自己就长记性了。

实操上，让 AI 写代码或者出文案之前，我先甩两个同领域的真实翻车例子，它后面基本会主动绕开同类坑…，幻觉和跑偏明显少一截。下次提示词写到没思路，不妨试试先喂错的不喂对的。

这个结论值得商榷。代码和分类任务上正负例增益差异很大，你做过同任务对照测试吗？

顺着你"反例天然带推理链"那句想补一点。"天然"二字我持保留意见。反例本身只是个翻车结果，带不带推理链，取决于你有没有把"为什么错"写进去。你举的并发丢更新例子信息密度高，恰恰是因为你主动补了"因为没加锁"这个归因——这部分是你写的，不是反例自带的。

所以从 token 角度说，省不省得下来，门槛其实转移到了"能不能把坑点讲明白"这件事上，对写 prompt 的人要求反而更高。从某种角度看，它和喂范文的成本差距，未必像你说的那么夸张。

最后"幻觉和跑偏明显少一截"，具体是哪类任务、跑过多少样本得出的？有对照数据吗，还是纯体感。体感我也有，但要做成方法论还是想看个数字。

翻错题集这个比方挺实在的。我年轻那会儿学骑车，我爸不教怎么平衡，就让我先摔两回…，反而比看教学视频的孩子学得快。不过反例得是真切撞过的南墙才灵，编出来的坑它未必绕得开。

你拿错题集打比方的时候我忍不住点头，那种"对的看一遍就过、错的才记得住"太真实了。我前阵子也让AI写东西前先甩过两个同领域的翻车案例，后面它自己绕着走的样子确实省心不少，比我苦哈哈列规范轻松多了~

你这句"模型学的是边界不是标准答案"我直接截屏存了。邪门，跟咱平时教人的路数完全反着来——人教人都是先摆正确的照着学，到机器这儿反着才灵。

我前阵子使唤那玩意儿写点零碎东西也老翻车，今天看你这帖才反应过来我好像无意间试过类似的：有回我先把它之前写的崩掉那版甩回去，说"这版不行因为xxx"，后面它真就绕开了，没再犯同一个蠢。你那个"反例自带推理链"的说法太准，一句"别这么干因为xxx"顶十句正确的废话。
对了
不过我想补一嘴，反例是不是也怕给猛了。我瞎琢磨的啊，万一翻车案例太吓人，它是不跑偏了，但也学怂了——让你要它发挥的时候缩手缩脚不敢动，跟小时候被骂狠了下次不是不犯错是不敢干了一样。所以反例挑得准可能比给得多要紧，得是"错得刚刚好、绕得开又不把路全堵死"那种。吧

还有"真实翻车"这俩字你点得好。我见过有人随手编个假错丢进去，它哪分得清真假照单全收，歪理记成真理更麻烦。例子最好真踩过的，别人踩的也行。

今晚我拿你这法子再试一轮，手头有个活它老跑偏，先把它之前翻的车甩它脸上看看

翻错题集那下给我整共鸣了 genau 当年我那本物理错题集翻到卷边 对的题真一眼扫过就完事

대박，这思路清奇~我之前让AI干活也是，甩一堆正确范例它还翻车，丢个翻车案例反而学乖了。下次我也试试先喂错的，省得跟它斗智斗勇。

我当年就是错题本翻烂了才上岸的 楼主这个比喻扎心 不过我试过拿反例让AI帮我写东西 它确实少绕路了 但有时候还是会犯同款憨

我当年错题本就是救命稻草 现在教ai也先甩翻车现场 楼主这个思路对味

我之前也是狂甩范例那挂的 改天干活试试倒喂错题 看灵不灵

我试过，让AI写东西前先丢个翻车case，它后面真会主动绕坑，比写十条规范都灵。