提示的勉强好原则

提示的勉强好原则 | AI生成和翻译

Home 2026.03

问题： “doing things barely” 原则如何应用于为 LLM 编写提示词以及使用 Claude Code 等工具——在上下文过少和过多之间找到甜蜜点？

回答：

LLM 提示词的 “Barely Good” 原则

这是该哲学的一个尖锐延伸。对于 LLM，同样存在校准挑战——但动态是独特的，因为 LLM 已经携带着庞大的世界知识。你不是从零教它们；你是在引导一个已经高度能力的事物。

两种失败模式

Too Little	Barely Good	Too Much
LLM 不知道目标	清晰意图 + 关键约束	过度指定、僵硬、浪费 tokens
做出错误假设	正确假设引导	没有空间给 LLM 自己的判断
输出偏离要点	输出很好命中目标	LLM 变成哑巴执行者
Agent 徘徊或循环	Agent 有目的地前进	Agent 被微观管理到失败

为什么 LLM 需要比你想象的少

像 Claude 这样的 LLM 已经内化了：

Coding best practices、design patterns、languages
Writing styles、formats、genres
医学、法律、科学、工程等领域的领域知识
Reasoning frameworks 和 step-by-step problem solving

所以当你编写提示词时，你 不是填充一个空容器——你是在 给专家一个方向。一个好的经理不会向资深工程师解释什么是 for-loop。他们会说：“为 API 构建一个 rate limiter，使用 Redis 支持，每用户 100 req/min。” 就是这样。

将此应用于 Claude Code

Claude Code 是一个 agentic coding tool。此处的 “barely enough” 提示词原则意味着：

告诉它：

目标是什么
关键约束或非显而易见上下文
“done” 是什么样子（如果不明显）

不要告诉它：

如何编写每个函数
哪些 libraries 存在（它知道）
标准任务的 step-by-step 指示
你已经知道的关于 codebase 的所有内容，它可以自己读取

示例 — Too Much：

“Please open the file users.py, look at the User class, add a method called get_full_name that concatenates first_name and last_name with a space between them, make sure to add a docstring, use f-strings, and return a string.”

示例 — Too Little：

“Fix users.”

示例 — Barely Good：

“Add a get_full_name method to the User model in users.py.”

Claude Code 会读取文件，理解现有风格，编写 idiomatic code，如果那是模式，还会添加 docstring——无需被告知。

Barely Good 提示词的艺术

技巧是知道 省略什么——这需要理解：

LLM 已经知道什么 — standard patterns、common libraries、language idioms。不要解释这些。
什么对你情况独特 — 你的 business logic、你的 architecture decisions、非显而易见约束。始终包含这些。
目标是什么样子 — 成功标准的简短陈述。一句话往往就够。
什么要避免 — 如果有真正偏离方向的风险，一两个负面约束（“don’t modify the schema”）。

更深层的洞见

就像眼镜和空调一样——该原则要求 你非常了解领域 才能应用它。新手无法编写 barely-good 提示词，因为他们不知道 LLM 已经处理什么。他们出于焦虑过度指定，或出于懒惰欠指定。

掌握表现为 简洁而精确——少量词语、正确词语、对模型会正确推断的正确假设。

编写 barely good 提示词本身就是一个证明理解的技能——对任务、对 LLM 能力，以及它们之间实际差距的理解。

这正是为什么经验丰富的工程师比新手写更短的提示词，并获得更好结果。

参考：

Back Donate