在与语言模型（LLM）的交流中，明确指导（告诉它做什么）往往比单纯指出禁止行为（告诉它不做什么）更加有效。

这种方法的优点在于能够更直接、更精确地引导模型的回答方向，减少模型需要考虑的可能性范围，从而提高获取期望答案的几率。

OpenAI 的官方文档
https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api对 prompt 的最佳实践的第七点就是这条：

Instead of just saying what not to do,
say what to do instead.

与其说不该做什么，不如说该做什么。

这篇最佳实践中给出对话示例：

Less effective 效果差 ❌:

The following is a conversation between an Agent and a Customer. DO NOT ASK USERNAME OR PASSWORD. DO NOT REPEAT.

Customer: I can’t log in to my account.
Agent:

以下是 Agent 与 Customer 之间的对话。
不要询问用户名或密码。不要重复。

Customer：我无法登录我的帐户。
Agent：

Better 效果好 ✅:

The following is a conversation between an Agent and a Customer.
The agent will attempt to diagnose the problem and suggest a solution, whilst refraining from asking any questions related to PII.
Instead of asking for PII, such as username or password, refer the user to the help article www.samplewebsite.com/help/faq

Customer: I can’t log in to my account.
Agent:

以下是 Agent 与 Customer 之间的对话。
Agent 将尝试诊断问题并提出解决方案，同时避免询问任何与 PII 相关的问题。
不要询问 PII（例如用户名或密码），而是让用户参阅帮助文章 www.samplewebsite.com/help/faq

Customer：我无法登录我的帐户。
Agent：

如何理解

想象一下，你正在试图指导一个朋友做蛋糕，但你只告诉他们不要做的事情，比如“不要把它烤焦”或“不要忘记加糖”。这样的指导留下了许多可能性，你的朋友可能会因为不清楚应该做什么而感到困惑。相反，如果你提供明确的指示，比如“按照食谱把材料混合在一起，然后在180°C下烤25分钟”，你的朋友就有了明确的行动方向，更有可能成功做出蛋糕。

我们再看一个逻辑化的解释：

初始可能性集合：

假设一个语言模型在回答问题时面临上万种可能的回答。

排除指令的效果：

当用户指示模型“不要做XXX”，意味着从这一万种可能性中排除与“XXX”相关的10种可能性。
因此，剩余的可能性变为9990种，模型下一次的回答将从这些剩余的可能性中选择。

指定指令的效果：

当用户指示模型“要做YYY”，模型将专注于与“YYY”直接相关的10种可能性。
这意味着，模型下一次的回答将基于这10种精确匹配的可能性进行选择。

比较效果：

在排除指令的情况下，模型试图从9990种可能性中找到最合适的回答，这可能导致回答的方向不够集中，因为它仍然需要从一个广泛的选项池中选择。

在指定指令的情况下，模型的选择范围被明确限定在10种可能性内，这使得模型能够更加集中精力提供与用户需求直接相关的回答。

结论：

提供指定指令（即告诉模型“要做YYY”）比提供排除指令（即告诉模型“不要做XXX”）更有可能得到用户期望的回答，因为它让模型的回答范围更加集中和精确。

对比案例

不推荐的做法

用户：我正在学习Python，不要给我任何复杂的代码示例。

这种提示不清楚指出用户实际需要什么，留下了太多解释的可能性，如简单代码示例、理论解释，或者甚至是非编程的内容。

推荐的做法

用户：请给我一个简单的Python示例，演示如何打开文件。

这个提示非常明确，指导模型提供一个简单的Python代码示例，关于打开文件的操作。模型现在有一个清晰的方向，知道应该提供什么样的回答，减少了其他不相关回答的可能性。

通过提供具体而正面的指令，你有效地缩小了模型考虑的范围，从而使得回答更加符合你的期待。这种方法不仅提高了交流的效率，还有助于避免可能的误解或不相关的回答。

总结

通过明确指导语言模型做什么，而非限制它不做什么，我们能够大幅提升交流的效果，确保得到更准确和相关的回答。