你有没有遇到过这种情况？

同样一个问题，问不同大模型，答案忽好忽坏；
有时结果很“聪明”，有时却离谱到怀疑人生。

其实问题不在模型，而在你怎么提问。

今天分享两个真正能显著提升 AI“智商”的技巧：
👉 Step-back Prompting（退一步提示法）
👉 Chain of Thought（思维链提示法）

只要掌握这两个方法，你写 Prompt 的水平会直接上一个台阶。

---

一、为什么“直接提问”容易翻车？

传统方式是这样：

“帮我写一个 FPS 游戏关卡的故事。”

结果通常是：

• 很随机

• 很泛泛

• 没什么深度

原因很简单：
模型没有“预热思维”，直接就开始胡编了。

就像让一个人刚睡醒就写小说，质量怎么可能稳定？

---

二、Step-back Prompting：先退一步，让模型“热身”

这个方法的核心很简单：

先问一个更“宏观”的问题 →
再用这个答案作为背景 →
最后让模型完成具体任务

传统方式（效果一般）

Prompt：

写一个 FPS 游戏关卡故事。

结果：
泛泛而谈，很套路。

---

进阶方式：Step-back Prompting

第一步：先让模型思考“框架”

基于流行的 FPS 游戏，请给出 5 种适合做关卡背景的虚构场景。

模型会给出答案，比如：

1. 废弃军事基地

2. 赛博朋克城市

3. 外星飞船

4. 丧尸小镇

5. 水下研究基地

---

第二步：再让模型写故事（带上下文）

Prompt 变成：

已知 5 种场景类型如下：……
请选择其中一个，写一个 FPS 游戏关卡故事。

结果：

故事立刻变得：

✅ 更有画面感
✅ 更有结构
✅ 更有张力

这就是 Step-back 的魔力：
先让模型进入“思考状态”，再让它输出内容。

---

一句话总结 Step-back

✅ 先问“大方向”
✅ 再做“具体任务”
✅ 让模型自动调用更多隐性知识

---

三、Chain of Thought（思维链）：让模型“边想边说”

你是不是遇到过这种情况？

问一个数学题：

我 3 岁时，伴侣是我 3 倍年龄，现在我 20 岁，他几岁？

模型居然回答：

63 岁

离谱。

为什么？
因为模型没有被要求思考过程，它直接猜答案。

---

普通问法（容易翻车）

Prompt：

直接给我答案。

模型：“随便猜一个。”

---

正确方式：强制模型“逐步思考”

只加一句话：

Let's think step by step.

神奇的事情发生了：

模型开始：

1. 先算当年年龄差

2. 再算年龄增长

3. 最后得出正确答案

正确结果：

✅ 26 岁

---

升级玩法：Few-shot 扔给模型一个思考模板

你可以这样问：

Q: 例题…
A: 详细思考过程…

Q: 新问题…
A:

模型会自动模仿你的思考方式。

这就是：用案例教模型怎么“想问题”

---

四、这两个技巧适合用在哪？

这不是只适合写故事：

✅ 写代码（先让模型规划结构）
✅ 写方案（先让模型列策略框架）
✅ 复杂逻辑题
✅ 产品文案
✅ 技术写作

凡是可以拆步骤思考的任务，都适合这两个技巧。

---

五、懒人总结：直接用这套万能模板

你可以直接套用这一版 Prompt：

在回答下面问题之前，请先总结这一类问题的通用思路，
然后再根据这个思路一步一步给出答案。

或者：

Let's think step by step.

---

最后一句掏心窝的话

很多人以为自己“会用 AI”，
其实只是会“跟 AI 聊天”。

真正的高手，是教会 AI 怎么思考。

如果这篇对你有帮助，欢迎点赞 + 收藏。