Harness 核心 · 模型周围的 Harness
好提问 vs 坏提问
上下文决定输出质量，同一个问题好坏对比演示
本页解决的问题
先给结论「好提问 vs 坏提问」要解决的关键问题是什么？
上下文决定输出质量，同一个问题好坏对比演示
判断标准
先检查模型究竟看到了什么。 把指令、参考材料、历史、工具和输出规则拆开。上下文变得可见后，通常更容易选对修复方式。
下一步
在修改 Prompt 或模型之前，先画出一个小流程的输入和输出。
常见误区
不断增加文字，但真正的问题其实是相关性、顺序或缺少边界。
选择场景
对比演示
「好提问 vs 坏提问」怎样变成可执行的指令
「上下文决定输出质量，同一个问题好坏对比演示」强调的不是某句神奇咒语，而是信息是否足够让模型判断“为谁做、要完成什么、什么结果算合格”。
背景决定方向，限制决定边界
从「上下文决定输出质量，同一个问题好坏对比演示」可以看出，一个有效请求至少要把任务、受众、输入材料、输出形式和限制条件分开。少了背景，模型只能猜；少了验收标准，即使文字流畅也无法判断是否完成任务。
继续加字不一定继续变好
把「上下文决定输出质量，同一个问题好坏对比演示」变成一个小练习：只改背景、要求、限制中的一项，保留其他内容不动，观察哪一层真正改变了结果。
从这个例子继续往下看
页面先提出「上下文决定输出质量，同一个问题好坏对比演示」。接下来不要只记住这句话，可以把它变成一个小练习：写下输入、预期结果，以及什么现象会让你重新检查这个判断。
把这条判断带到下一个场景
写请求时也应逐层补齐：先说任务和受众，再给材料和输出要求，最后加上限制与验收方式；一次只改变一层，才能知道哪项信息起了作用。
- 「好提问 vs 坏提问」：上下文决定输出质量，同一个问题好坏对比演示
最后做一次小而可逆的练习：把页面里的判断放进一个真实输入，写下预期结果和会让你停下来复核的信号。
互动练习
把模糊需求拼成一条可执行的提示词
把目标、背景和限制说清楚，再把整理好的提示词带到你正在使用的 AI 工具里。
填写上面的字段，提示词会出现在这里。
标记为已学完 阅读进度会自动记录
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。