Prompt 不是提示词，是任务协议——看完一节课，我重新归了一次因

学习笔记

至少 5 次失败，根因不是 AI 不行，是我把 prompt 当成"哄 AI 的话术"，而不是"跟 AI 之间的任务协议"。上一篇我写林鹿做了一个月还没出片；今天看完一节叫「Prompt 到底是什么」的课，这一课让我重新归了一次因。

这一课对我最大的作用：重新归因

我不写代码。我每天和 AI 打交道的方式只有一条——给它写 prompt。Codex 帮我写代码、Claude Code 跟我对话、林鹿做视频、纪嫣然出声音、苏晚写内容——我跟它们之间没有"读源码""调 API"这条退路，全部都靠一段段中文 prompt 接起来。

这一课最大的价值不是教我怎么把 prompt 写得更漂亮，而是把我过去几个月一直归错的因重新摆正。我之前太多次说——"林鹿就是不行""Codex 怎么又跑偏了""这模型不稳定"。这一课说：不是 AI 不行，是你的任务定义不清楚。听起来像批评，但对我反而是好消息：AI 那一截我控不了，任务定义这一截我能控。

课里那句话我记下来了：「Prompt 不是提示词，是任务协议。」四个字。我以前以为 prompt 是话术、是技巧、是怎么把 AI 哄聪明。其实不是。它就是一份临时工作说明书——这件事我请你做、你扮演什么角色、为什么做、做到什么程度、什么算合格、什么不能做。

我之前犯的 4 个错

课里把 prompt 拆成 6 个组成部分（角色 / 目标 / 背景 / 任务 / 约束 / 输出格式）。我对着最近一个月写过的 prompt 一条条核，发现 4 个错反复在犯。

错一：把"做什么"当成完整指令。林鹿那次最典型。我给的指令是「随意做一个，比如林黛玉进贾府」。这句话在我心里有完整画面——林黛玉应该是个怎么样的少女，贾府应该是怎么样的大宅，镜头应该有怎么样的节奏——但这些都没写出来。结果出来 S03 三帧是几乎完全一样的橙色火柴人棍图：control video 是程序化生成的，林鹿不知道我不要这个。我事后气炸了——但其实她没错，是我没说"不要程序化棍图""动作要来自真人参考视频"。我以为「做林黛玉进贾府」是个目标，其实那只是个标题。

错二：从来不写【角色】。我以前以为指定角色是装饰——"你是个 AI 工程教练"这种话听起来很尬。其实它不是装饰，是在选脑子。同一个问题，用"产品经理脑子"和"安全工程师脑子"问，答案完全不一样。我之前让 Codex 评估一个视频生成方案，没说角色，它给我一份偏算法研究员视角的报告：采样策略、损失函数、新论文。但我要的是工程师视角——能不能装上、Mac 跑得动吗、跑一次多久、出错怎么办。一句"你是一个 Mac 本地部署工程师"就能直接换方向，我之前完全没用上。

错三：只说"做什么"，不说"不要什么"。这是火柴人事件的另一面。我以为 prompt 越简单越好——"帮我做 X"，剩下的让 AI 自由发挥。结果"自由发挥"变成了"用默认做法做"，而默认做法常常踩中我心里的雷区。如果当时多写一句"不要用程序化生成的火柴人作动作源、不要用任何低于 768×1344 的关键帧、不要在静态构图里假装有动作"，那一个月的好几次绕路都能省掉。「不要什么」很多人不写，但往往比「要什么」更决定结果。

错四：不指定【输出格式】，拿回来再二次整理。我以前让 Codex 给结果，回来的总是几大段散文。然后我要花 10 分钟把关键信息扒出来，整理成表格或列表。这件事重复了几十次，直到这一课点破——输出格式本来就是 prompt 的一部分。一开始就写"按表格输出，三列：项 / 现状 / 建议"，后面所有的整理时间都能省掉。工程上这叫"降低二次整理成本"。说穿了：你想要什么样子，就直接画给 AI 看，别让它自己想。

同一件事，之前会怎么写 vs 现在会怎么写

同一句话，写法不同，能省下一周。一个月前我让 Codex 评估 TTS 库 OmniVoice，当时的 prompt 大概是这样：

帮我看看 OmniVoice 这个 TTS 库能不能用。

这一句话什么都没交代。我用什么机器、想要什么嗓音、"能不能用"的标准是什么、答案要什么形式——全都没说。Codex 跑了一通分析：讲架构、列模型大小、估 token 成本。然后呢？我答不出下一步。我甚至不知道这库的嗓音像不像我心里那个 DJ，模型还在卡 12% 下不下来。

现在我会写成这样：

角色：你是一个 Mac 本地 AI 工程师，做过 fish-speech / OmniVoice / Coqui 这些 TTS 库的本地部署。
目标：帮我判断 OmniVoice 能不能在我 Mac Studio 上跑出"凌晨电台主播那种温柔气音"的嗓音。
背景：我做一个 AI 私人电台，DJ 要每天给我念早晚问候和歌曲介绍。已经尝试过 macOS 内置 say、Nanami 念中文、Ava 念中文，都不行。reference 音是 edge-tts 的 Xiaoxiao。
任务：① 列出 OmniVoice 在 Mac MPS 上的部署步骤和已知坑；② 评估它克隆 Xiaoxiao 这条 reference 的可行性；③ 给出一个 30 分钟以内能验证的最小试听方案。
约束：不要堆模型架构。不要假设我懂 PyTorch 内部。不要给"理论上可以"这种回答——给具体步骤。
输出格式：按 ① ② ③ 三段分。每段开头一行结论（YES / NO / 待测），然后展开。

这就不是"问 AI"，而是"派一个有具体身份的人执行一个有具体边界的任务"。第一种写法，1 天能跑完的事能拖成 1 周；第二种写法，1 小时就能知道这条路通不通。