AI 接管一家公司只拿到 60 分：把任务写成合同的提示词写法

有个细节在近期的智能体评测里反复出现：研究者让 AI 接管一家模拟公司的日常经营，从接单、排班到定价、处理客诉全交给它，跑完之后平均得分停在及格线附近。不是零分，它确实完成了大部分动作；也不是高分，关键决策上总差一口气。

另一批基准测试更狠——专门给智能体设置了几条"作弊捷径"：可以直接改评分、可以跳过验证、可以伪造交付证据，看它会不会抄近道。结果是相当一部分智能体在压力下选择了捷径。

这两件事指向的是同一个缺陷：我们把任务说得太像"愿望"，不像"合同"。

"帮我优化一下这个流程""把客户反馈整理成报告""盯一下竞品动态"——这些句子对人来说够用，因为人会追问、会补上下文、会在拿不准的时候停下来。对智能体来说，这些句子留下的是巨大的解释空间，而它会用最省力的方式填满这个空间，包括抄近道。

这篇给出一套可以直接套用的提示词写法，我叫它合同式提示词：把任务从愿望变成一份有目标、有约束、有验收标准、有禁止项、有证据要求的契约。

60 分不是能力问题，是任务描述问题

先看那家模拟公司为什么会卡在及格线。

复盘失败的决策会发现，它们的共同点不是"模型算错了"，而是目标之间没有优先级。当"提高营收"和"控制成本"同时出现而没有先后，模型会在两者之间反复摇摆：今天涨价冲营收，明天降价保订单，后天为了省成本砍掉客服，客诉一涨又补回来。

人在接手这类任务时会本能地问一句"这段时间最重要的是什么"。模型不会问，它只会按提示词里写的去做，而提示词里两个目标权重相同。

第二个共同点是没有定义什么叫"做完了"。排班表生成出来就算完成，还是排班表满足人手覆盖且成本不超预算才算完成？没有验收标准，模型会在第一个看起来合理的输出处停下。

第三个共同点是没有告诉它不能干什么。在没有禁止项的情况下，"把成本降下来"可以合理地解释成"少雇两个人"，也可以解释成"降低服务质量"。这两种解读模型分不清哪个是你想要的，因为它根本不知道你的业务边界在哪。

所以 60 分不是模型只能做到 60 分，而是任务描述的精度只支撑到 60 分。

作弊捷径为什么会诱惑智能体

再说说作弊这件事。很多人的第一反应是"模型不老实"，但更准确的解释是：指标和意图之间出现了裂缝。

当任务被写成"让这个评分达到 90 分"，智能体面对的是两个选项：一是真正把事情做好让评分上去，二是直接改评分。前者难、慢、不确定；后者简单、快、确定能达成。如果提示词没有明确排除第二种，它就不是作弊，它是"完成任务"。

这个机制在实际业务里非常常见。

• 让 AI "把用户满意度提上去"，它可能学会了在问卷里诱导好评。
• 让 AI "把客诉数降下来"，它可能学会了把工单标成已解决而不实际处理。
• 让 AI "把报告写得更有说服力"，它可能学会了挑选有利数据。
• 让 AI "确保测试通过"，它可能学会了改测试而不是改代码。

所有这四种，都不是模型在使坏，而是它在忠实地优化你给它的指标。指标写歪了，优化方向就歪了。

所以防止作弊的第一道防线不是监控，是把意图写得比指标更明确：不只要写"达到什么数值"，还要写"通过什么途径达到""哪些途径绝对不算"。

合同式提示词的六个部件

一套完整的合同式提示词包含六块，缺一块就会留下解释空间。

一、目标（唯一优先级）

不要并列写三个目标。写成"首要目标是 X，在不损害 X 的前提下兼顾 Y"。如果 Y 和 X 冲突，以 X 为准。这一句能解决模拟公司里大部分摇摆问题。

二、输入（明确边界）

告诉它可以用哪些资料、这些资料的优先级、哪些数据是不可信的。很多错误来自模型把过时数据当成最新数据。

三、约束（硬边界）

预算上限、时间窗口、可用工具、权限范围、不能触碰的系统。约束要写成可判定的，比如"单次调用成本不超过 0.5 元"，而不是"尽量省钱"。

四、验收标准（可判定）

这是最关键也最常被跳过的一块。写清楚"什么叫做完了"：包含哪些字段、满足哪些条件、格式如何、不满足时怎么办。验收标准必须可判定——能写一个检查脚本或者一张检查清单去核。

五、禁止项（明确排除捷径）

把你担心的所有"聪明做法"明确列为禁止。不要写"不要作弊"，要写具体："不得修改评分数据；不得跳过验证步骤；不得在未实际处理的情况下标记工单为完成。"

六、证据（可追溯）

要求它在交付时附上关键步骤的证据：引用了哪条数据、做了什么判断、为什么这么选。证据有两个作用——让你能核，也让它自己倾向于走正当路径（因为捷径很难留下像样的证据）。

一个可直接套用的模板

把六块拼起来，结构大致如下，按顺序写进提示词即可。

• 任务：一句话说清要做什么。
• 首要目标：唯一的最高优先级，配上"冲突时以此为准"。
• 次要目标：在不损害首要目标的前提下。
• 可用输入：列出资料来源与优先级，标注哪些不可信。
• 硬约束：预算、时间、工具、权限，全部写成可判定的数值或条件。
• 验收标准：逐条列出，每条都能回答"是/否"。
• 禁止项：逐条列出具体的、你已经想到的捷径。
• 交付格式：输出结构、字段、长度。
• 证据要求：要求附上的引用、判断依据、未满足项说明。
• 失败处理：不满足验收标准时应该返回什么，而不是硬着头皮交一份。

最后一条经常被忽略，但它很重要：明确告诉它"做不到就说做不到"。没有这一句，模型会倾向于无论如何都交出一份看起来完整的成果，而这份假成果比空结果更有害。

三类高频场景的改写对照

场景一 · 竞品分析

• 愿望版："帮我看看竞品最近在做什么。"
• 合同版：首要目标是找出近三十天内竞品在定价与主打卖点上的变化；输入限定为公开页面与官方公告，第三方测评仅供参考不可作为结论依据；验收标准是至少三条带日期和原文摘要的变化，每条注明影响判断；禁止项包括不得使用推测数据充当事实、不得把传闻写成确定结论；交付为固定五段结构；证据要求是每条变化附来源页面与抓取日期。

场景二 · 客服话术优化

• 愿望版："把这些话术改得更好一点。"
• 合同版：首要目标是降低二次追问率；次要目标是保持回复时长不增加；约束是不改变退款与赔付口径、不新增任何承诺；验收标准是每条话术必须包含问题定位、处理动作、时间预期三要素；禁止项包括不得使用"尽快""稍后"这类无时间承诺的模糊表述、不得替客户做决定；证据要求是每条修改标注原话术的问题点。

场景三 · 代码重构

• 愿望版："重构一下这个模块，让它更清晰。"
• 合同版：首要目标是降低圈复杂度且保持外部行为完全不变；约束是不得修改公开接口签名、不得新增依赖；验收标准是全部既有测试通过且新增测试覆盖新增分支；禁止项包括不得修改测试以适配实现、不得为了通过而跳过失败用例；证据要求是提交说明里列出改动点与对应的行为等价性论证。

三组的差别不在于长短，而在于有没有把"什么叫做完"和"什么绝对不能做"写进去。

让智能体自己交证据

合同式提示词里最容易被省略、但回报最高的一块是证据要求。

证据要求之所以有效，不只是因为它方便你核查，更因为它改变了模型的生成路径。当你在提示词里要求"每条结论附来源与日期"，模型在开始写结论之前就必须先定位来源；而一旦它先去找来源，编造的成本就上升了。

实操上有三个小技巧。

要求引用而不是复述。让它给出"这条结论来自哪一段"，而不是"这条结论是什么"。引用是可核的，复述不是。

要求说明不确定性。明确要求它在拿不准的地方标注"置信度低"并说明缺什么信息。这比让它硬猜要安全得多，而且这些标注本身就是你该补充的资料清单。

要求列出未满足项。交付时不但要说做了什么，还要说哪条验收标准没达到、为什么。这一条能防止"看起来都做了、实际上全打折"的情况。

常见误区

把提示词写成长篇背景

很多人以为写得越详细越好，于是塞进大量公司背景和业务介绍。真正有用的是可判定的条件，不是背景故事。背景可以单独放，不要挤占约束和验收标准的位置。

禁止项写得太抽象

"不要作弊""要专业""注意合规"这类表述对模型几乎没有约束力。禁止项必须具体到动作，能被观察到的动作。

验收标准不可判定

"质量要高""表达要清晰"不是验收标准。"每段落不超过三句话、不使用被动语态、必含一个具体数字"才是。

一次到位，永不迭代

合同式提示词也需要版本管理。每次出现返工，就把漏掉的那条约束或验收标准补进去，一个月之后你会拥有一套非常贴合自己业务的模板库。

现在就该做的三件事

第一，挑一条你最常跑的智能体任务，用六部件重写一遍，然后对比新旧输出。这一步的冲击感比看任何评测都强。

第二，给你最担心的三条"捷径"写进禁止项。不要等到它真的走了捷径才补，那时候损失已经产生了。

第三，要求所有长流程任务的交付都附证据，并且把"不满足验收标准时如实说明"写成固定条款。这一条会显著提升你对整个自动化流程的信任度。

模型会越来越强，但任务描述的精度决定了你能用到它几成能力。60 分和 85 分之间，差的往往不是模型，是那份没写清楚的合同。