原因不难理解。大语言模型擅长识别常见模式，它知道大多数人通常怎么做、什么建议被广泛接受，于是把”最显而易见的合理答案”抛出来就停手了。TechRadar 撰稿人 Eric Hal Schwartz 分享了一个提示词技巧：只要在提问时多加一句要求，输出质量会立刻不同。

核心做法：一次要三个答案

他的做法是，让 ChatGPT 针对同一个问题给出三种答案——一个常规方案、一个稍显大胆的非常规方案，再加一个融合两者优点的折中方案。具体操作：

1. 把问题按平时的方式描述清楚；
2. 在提问末尾加上要求：请分别给出常规方案、非常规方案，以及结合两者优点的混合方案；
3. 补充一句”并说明每个方案的取舍”，让它解释各方案的利弊；
4. 阅读三份答案，重点看解释部分，而不是直接挑一个用。

这样做的价值在于，对话从”选出一个赢家”变成了”比较不同路径”。模型不再把第一个合理答案当作终点，而是必须横向对照，用户得到的也不再是单一推荐，而是一组带取舍说明的可能性。

让答案更贴身的两个补充动作

1. 先给背景再提要求。 在索要三个方案之前，先说明自身的实际情况，比如预算、时间、同行人数。基于真实条件生成的常规方案更实用，非常规方案也因为有了边界而更有意思。
2. 拿混合方案再跑一轮。 如果折中方案接近满意但仍有偏差，可以让 ChatGPT 以这一版为新起点重复上述流程。经过两三轮迭代，想法通常会明显变得独特，又不至于跑偏成天马行空。

以周末出行为例：常规提示词往往只给出一份塞满高分景点的行程；三方案提示词则会先列出常见的博物馆和餐厅，再建议租辆自行车去逛冷门街区，或者干脆围绕独立书店和本地市集安排整个周末；混合版本则把几个著名景点与一些不寻常的停留点搭在一起。

注意事项

这个技巧并不保证每次都能问出绝妙点子。非常规方案有时确实不切实际，混合方案偶尔也会显得生硬。真正有效的提示词，与其说是逼模型变聪明，不如说是引导它换角度思考问题——而”常规 + 非常规 + 两者结合”，恰好是最容易上手的一种引导方式。

来源：TechRadar

较真的代价：额度烧一半

更糟的是连锁反应：让一个模型审查另一个模型提出的问题，审查方总能挑出一堆新毛病，又引出更多的多步修复。该撰稿人同时订阅了 Claude Pro 和 ChatGPT Plus（各 20 美元/月），近来每周一半的用量额度都耗在了追这些 AI 发现的 bug 上。

这种过度较真好比汽修店的师傅：看到引擎盖上一个小掉漆点，就非要给整个引擎盖换新。而且受影响的不只是写代码的人——凡是在额度限制下用 AI 修改工作方案、检查 Excel 表格、处理日常任务的用户，都可能被这种”用力过猛”拖累。

让 AI 自己写”省钱条款”

解决办法颇有戏剧性：直接让 Claude Opus 5 写一段”预算优先”的提示词，要求 AI 尊重用户的额度限制，把真问题和无关痛痒的小毛病分开，把工作量压缩到值得的范围。Opus 5 起初给出了冗长的六点方案；请 GPT-5.6 Sol 审查时，后者一口气提了十几条意见——在被要求”按原始提示词的要求来”之后，它立刻改口”你说得对，我把审查镀金了”，将清单砍到三条。

两个模型最终商定的提示词浓缩为四条，大意如下：

• 用能彻底解决问题的最小改动：不扩大范围、不顺手重构、不镀金。打算给出复杂方案前，先想想三行代码能不能拿到九成价值。
• 分清主次：说明哪些值得现在做、哪些是小问题、哪些干脆别碰。建议做得更少反而是加分项，不要为了显得全面而凑数。
• 按性价比排序：给每项标注大致工作量（小/中/大），便宜又见效的排前面，修复成本超过问题本身的要明确标出。
• 低成本验证：只核实会影响方案的关键点，不要事无巨细全面审计。

结尾再加一句：除非明确要求执行，否则只给一份简短的排序清单就停下。

实测效果立竿见影

该撰稿人把这段提示词用在一个 Claude Code 项目上（整理本地 HomeBridge 智能家居服务的配置）。此前 Opus 5 曾提出四项详细的代码修改；用上新提示词后，它的回答变成了：”这个约束条件很好——它改变了我之前的答案。我提出的四步方案里，大部分是求全，不是价值……四个问题中只有一个真正在产生实际损耗。”

对经常感觉 AI”没事找事”的用户来说，这段提示词值得抄走一试。

来源：PCWorld