我最近发现，写提示词时最费力的，往往是把自己想要什么说清楚。

想要一张图、一段文字，或者一个能用的方案，并不难。难的是继续往下说：这张图用在哪里，这段话写给谁，这个方案要解决什么问题。许多想法在脑子里只是一个大致的感觉，似乎“差不多就是这样”。等到真要交给模型去做，才发现还有不少地方没想明白。

所以，写提示词也让我重新检查自己的想法。DALL·E 可以根据描述画图，DeepSeek 和 ChatGPT 可以分析问题、续写草稿，视频模型也可以把一段描述变成画面。它们能从上下文里推测我的意思，但推测出来的方向，未必就是我原本想去的地方。

过去我容易把不满意的结果归结为提示词没写好，觉得再换一种说法，模型也许就懂了。后来才慢慢分清：有时是模型理解偏了，有时是我漏说了条件，还有些时候，我自己就没有做出决定，却希望它直接给出一个确定的答案。

把这些情况分开，比找一句特别有效的提示词更有用。我已经决定了什么，哪些地方还想试试，什么可以改，什么需要保留，最好在开始时就说清楚。这样，结果不合适的时候，我也比较容易找到问题出在哪里。

一个人怎样使用模型，多少能看出他怎样处理问题。有人先把想法交出去，等看到初稿再慢慢调整；有人习惯先拆开任务，把材料和限制说明白。这些方式都可以有用。更值得在意的是，拿到结果以后，我们还会不会继续检查它的依据，辨认里面的假设，想一想它为什么走向了这个答案。

我不太相信掌握一套提示词，就能绕过这些工作。模型很会把东西整理得像样：文字顺畅，画面完整，计划也列得井井有条。看着这样的结果，很容易觉得事情已经想清楚了。可只要回到最初的问题，有时就会发现，它只是把一个含糊的想法说得更像那么回事。

不同的任务，会把这种偏差带到不同的地方。

让图像模型画图时，“好看”“高级”“电影感”能给出一个大致方向，却不能说明我为什么需要这张图。画面里有光、有雾、有漂亮的构图，也可能仍然与我想讲的事无关。人物之间是什么关系，这个场景里应该发生什么，才是我需要继续说明的部分。

向文本模型提问也一样。一个宽泛的“你怎么看”，往往会得到一段完整、平稳的分析。它能帮我整理思路，但如果我真正卡住的是某个事实，或者一个还没想好怎么作出的选择，我还得把问题问得更具体。否则，读完一大段回答，原来的疑惑可能还在那里。

写代码时，我会更在意能跑起来之后的事。它是否适合现有的系统，出错时会怎样，以后改起来是不是方便。最初的要求里如果没有谈到这些，生成出来的实现就可能沿用一些我并未认真考虑过的默认选择。

做短剧流程时，这种感受尤其明显。一个镜头很好看，故事却可能已经演过了该停的位置；人物的脸保持住了，人物之间的关系却变了；场景仍然有气氛，接到上一镜时，空间却对不上。我不能只因为某一处生成得漂亮，就忽略这些问题。

这些经验让我更愿意在动手前留一点时间。哪些镜头已经定了，哪些地方还需要探索，哪句对白必须保留，都应该有个交代。结果出来之后，再照着这些决定看一遍。这样做当然不能保证每次都成功，至少不会因为画面完整，就忘了检查自己最在意的东西。

我以前更多把工具看作提高效率的办法，现在也会通过它反复看自己的想法。草稿展开以后，原来含糊的地方常常更容易看见。遇到不合适的结果，我可以追问、修改，也可以把这一版放下，重新开始。工具有用的地方，也包括让我更早发现方向不对。

“工具退到身后”，大概就是这个意思。我仍然会关心模型的变化，也愿意试新的工作流，但不想每次做东西，都先围着工具的能力安排自己的想法。先有一件我想完成的事，再看什么工具能帮上忙，这个顺序对我更重要。

提示词不必一开始就写得十分完整。有些问题确实要在来回修改中才能想清楚。只是，哪些决定出自我，哪些建议来自模型，哪些地方还没有把握，我希望自己始终分得清。

最后留下的，应该是我愿意认可的东西。为此再读一遍，再改几次，或者删掉一段看起来很漂亮的结果，也没有什么可惜。