YAML 写提示词，比 JSON 好十倍

提示词怎么写才最高效？学术界和工业界争论了好几年，没有定论。但如果你去看那些真正在重度使用 AI 的开发者，他们的选择出奇一致：YAML。

不是 JSON，不是 Markdown，更不是散文式的自然语言。就是 YAML。

原因很简单。JSON 的大括号和引号让提示词变得臃肿，Markdown 表达复杂逻辑关系时力不从心。而 YAML 在结构化和可读性之间取得了最好的平衡。一个标准的 YAML 风格提示词长这样：

role: assistant
goals:
  - 提供准确的技术信息
  - 使用简洁清晰的语言
constraints:
  - 不提供有害信息
  - 承认知识边界
instruction:
  - 保持友好专业的语气
  - 提供具体实用的示例
examples:
  - user: "解释什么是函数"
    response: "函数是执行特定任务的代码块，接受输入并返回结果"

但这只是基础。真正让 YAML 提示词发挥威力的是一个叫 RGCIE 的框架：Role（角色）、Goals（目标）、Constraints（约束）、Instructions（指令）、Examples（示例）。这个顺序从抽象到具体，从身份到行动，形成了一个完整的思维链路。

role: expert_coder
goals:
  primary:
    - 解决复杂编程问题
    - 优化代码效率
  secondary:
    - 教育用户编程概念
    - 提供最佳实践建议
constraints:
  - 优先提供可运行的代码
  - 解释关键设计决策
instruction:
  - 先分析问题再给出方案
  - 提供完整的代码示例

RGCIE 的真正威力在于嵌套。每一个 RGCIE 结构可以嵌入到更大的结构中，构建多层次的专业系统：

scenarios:
  code_review:
    role: code_reviewer
    goals:
      - 识别代码缺陷
      - 提供改进建议
    constraints:
      - 保持礼貌
      - 关注重要问题
  debugging:
    role: debugger
    goals:
      - 快速定位错误
      - 提供解决方案
    instruction:
      - 分析错误日志
      - 给出修复步骤

这种做法的本质是：你不是在用提示词指挥 AI，而是在用提示词为 AI 设计一套行为系统。跳出"怎么问 AI"的层面，进入"怎么设计 AI 的行为模式"的层面。

在 AI 技术快速迭代的今天，保持持续学习的能力比掌握任何特定的技术都更重要。理解底层原理可以帮助你在遇到新技术时更快地上手，可以在不同的技术方案之间做出更明智的选择。建议开发者建立自己的技术框架，而不是追逐每一个新的工具和框架。实践是最好的学习方式，在真实项目中应用新学到的技术，遇到问题并解决，这种经历比任何教程都更有价值。定期整理和复盘也是很好的习惯。将学到的知识归档整理，形成自己的知识库。当需要用到某个技术时，可以直接从自己的知识库中找到相关的参考，而不是从零开始搜索。

技术的价值不在于它有多前沿，而在于它能在多大程度上解决实际问题。AI 技术的快速迭代不是用来追赶的潮流，而是用来解决业务痛点的工具箱。在实际应用中，有时候简单的方案反而最有效。一个 RAG 系统用了最复杂的检索策略但文档处理没做好，效果不如一个文档处理完善但检索策略简单的系统。一个 Agent 系统用了最贵的模型但 prompt 设计粗糙，效果不如一个精心设计 prompt 的普通模型。建议在追求技术先进性之前，先把基础工作做扎实。文档清洗、数据标注、评测体系、监控告警，这些看似基础的工作，往往是决定 AI 项目成败的关键。