【告诉AI“不要做什么”比“要做什么”更有效：一个反直觉的提示词发现】

最近看到一个有意思的实验：用一种叫“Code Field”的提示词技术做了18组测试，核心只有4行，全是否定句——不告诉模型该做什么，只说不该做什么。

结果相当惊人：

代码生成任务中，主动陈述假设的比例从0%飙升到100%。基线测试里没有一个回复会先列出假设，用了这个提示词后每个回复都会。

代码审查任务中，bug检出率从39%提升到89%。基线测试把SQL注入漏洞轻描淡写成“加个错误处理”，而Code Field直接指出这是安全漏洞。严重性识别更是从0%到100%——基线漏掉了所有关键bug，Code Field全部捕获。

核心发现：抑制性指令比正向指令更能稳定地塑造LLM行为。

精简版提示词长这样：

```
Do not write code before stating assumptions.
Do not claim correctness you haven't verified.
Do not handle only the happy path.
Under what conditions does this work?
```

完整版则更像一段“代码冥想”——提醒模型注意那个急于产出的冲动，那个看到问题就想模式匹配的惯性，那个“能跑就行”的满足感。在动手之前先问：你对输入做了什么假设？对环境呢？什么会让它崩溃？恶意调用者会怎么做？凌晨三点debug的人会误解什么？

有人评论说这和他的直觉吻合：可以把LLM想象成在状态空间里搜索，训练约束了语法有效性，提示词进一步约束到子集，而否定式指令是在这之上再叠加约束——状态空间越小，产出好结果的概率越高。

这个发现其实挺反直觉的。一年前的主流观点还是“LLM总会做你告诉它不要做的事”。但现在看来，至少在代码场景下，明确的边界比模糊的方向更管用。

想想也合理：人类专家的能力很大程度上体现在知道什么不该做。新手写代码急于实现功能，老手先想边界条件和失败模式。这个提示词本质上是在模拟专家的思维习惯——不是教模型怎么写代码，而是教它怎么像专家一样思考代码。

“你没写的测试就是你会发布的bug，你没陈述的假设就是你需要的文档，你没命名的边界情况就是你要调试的事故。”

这句话值得贴在每个程序员的显示器上。

x.com/BLUECOW00status/2010221837389570364