何时优化，何时重新开始
识别对话陷入停滞的时机，并判断何时从头开始更合适
何时优化，何时重新开始 是 CoddyKit 上的免费 AI Prompt Engineering 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 4 节课。
对话中的沉没成本陷阱
当对话没有产生理想结果时，许多用户会继续尝试修正，而不是重新开始。这就是沉没成本陷阱——您在一段对话上花费的时间越长，就越难下决心放弃它。
但有时，获得良好输出的最快方法，是结束当前对话并重新编写更好的初始提示。知道何时做出这个决定，是提示工程中的一项关键技能。
信号 1：模型不断重复同一个错误
如果您已经两三次纠正同一个错误，而模型仍不断回到原来的错误上，这是应该重新开始的明确信号。
常见示例：
- 您要求使用项目符号，模型却写成散文；您纠正后，它再次写成散文
- 您指定受众为技术人员，但模型仍不断使用面向初学者的解释
- 您要求不要添加免责声明，但模型仍不断添加免责声明
模型反复回到原错误，通常意味着这条指令应放在原始提示中，而不是在对话过程中途添加。
信号 2：模型误解了任务框架
有时，模型正确执行了您描述的任务，但您对任务的描述本身是错误的。您要求的是 X，而实际需要的是 Y。
例如，您要求“总结关键论点”，但实际需要的是“识别论点中的薄弱之处并进行批判性分析”。无论追加多少提示，都无法将一份良好的总结变成批判性分析——因为任务框架从一开始就是错误的。
当输出本身完成得不错但方向完全错误时，就需要重写原始提示。
信号 3：错误的初始前提
如果您的第一条提示包含错误假设、有缺陷的前提或不正确的上下文，那么建立在其上的所有内容都会受到影响。
示例：
- 您描述了错误的受众，并为他们生成了五轮内容
- 您提出了不正确的限制条件（“假设 API 基于 REST”，但实际上它是 GraphQL）
- 您提供了错误的背景信息，影响了模型对任务框架的理解
在对话过程中纠正错误前提并不可靠。请从一开始就使用修正后的前提重新开始。
信号 4：响应质量正在下降
在较长的对话中，响应质量有时会随着时间下降。模型可能会：
- 随着上下文窗口逐渐填满，生成更短、细节更少的响应
- 开始与之前的陈述相矛盾
- 表现出越来越明显的逻辑不连贯或重复
这是上下文窗口问题，而不是提示问题。正确的解决方法是开始新的对话，并提供截至目前已经确定内容的精简总结。
何时进行完善：继续对话的理由
并非每个不够完美的响应都值得重新开始。当出现以下情况时，请进行完善：
- 内容基本正确，但需要调整格式
- 只需要改进某个部分，而不是整个响应
- 您希望延伸或扩展已经生成的内容
- 错误很小，只需一次清晰的后续提示即可修正
经验法则是：如果模型理解了您的目标，并生成了大部分质量良好的内容，请进行完善。如果模型误解了目标本身，请重新开始。
诊断性问题
在决定完善现有内容还是重新开始之前，请先问自己一个诊断性问题：
"问题出在输出上，还是出在我的原始提示上？"
- 问题出在输出上 → 使用后续提示进行完善
- 问题出在原始提示上 → 重写提示并重新开始
这个问题会迫使您定位根本原因，而不是只处理表面症状。大多数沉没成本情形，都是原始提示存在缺陷，但用户仍不断尝试修正输出。
重写原始提示
决定重新开始时，不要只是改写措辞，而要重新设计提示。请利用从失败对话中学到的经验：
- 您忘记加入哪条限制条件？
- 哪个假设是错误的？
- 哪些内容含糊不清，导致模型偏离了方向？
- 加入什么示例或格式规范可以避免这种误解？
一次失败的对话，能够帮助您了解原始提示缺少了什么，因此是一种有价值的反馈。新提示应直接弥补这些缺口。
重新开始前保留有用内容
结束对话之前，请提取其中真正有用的部分：
- 复制您希望保留的部分、措辞或想法
- 记下带来良好结果的限制条件或指令
- 保存模型生成的、让您产生共鸣的示例或类比
重新开始并不意味着丢弃一切。您可以将有用部分作为参考材料，或作为您想要的风格示例，粘贴到新提示中。
在代码中记录对话结果
在 Python 应用中，您可以跟踪对话质量信号，以决定何时自动 reset：
import openai
client = openai.OpenAI(api_key='sk-...')
class ConversationManager:
def __init__(self, max_turns=10):
self.history = []
self.turn_count = 0
self.max_turns = max_turns
def chat(self, user_message):
self.turn_count += 1
if self.turn_count > self.max_turns:
print('Warning: conversation is long. Consider starting fresh.')
self.history.append({'role': 'user', 'content': user_message})
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=self.history
)
reply = response.choices[0].message.content
self.history.append({'role': 'assistant', 'content': reply})
return reply
def reset(self, summary=None):
'''Start fresh, optionally seeding with a summary of prior context.'''
self.history = []
self.turn_count = 0
if summary:
self.history.append({'role': 'user', 'content': f'Context from prior session: {summary}'})
self.history.append({'role': 'assistant', 'content': 'Understood. Ready to continue.'})完善还是重新开始：决策树
请使用下面这棵心智决策树：
- 模型在经过 2 次以上纠正后仍重复同一个错误？→ 重新开始
- 原始任务框架或前提是否错误？→ 重新开始
- 上下文窗口是否导致质量下降？→ 总结后重新开始
- 内容基本正确，但需要调整格式或进行小幅扩展？→ 完善
- 在整体良好的响应中，是否只有一个部分较弱？→ 完善该部分
通常，临界点大约是尝试纠正三次。如果三条具体的后续提示都没有解决问题，那么问题就出在原始提示上。
知识检查：完善还是重新开始？
您要求模型为资深软件工程师撰写一篇关于数据库索引的技术博客文章。模型却写成了面向初学者的文章，从最基础的数据库概念开始解释。您已经纠正了两次，每次都明确说明受众是技术人员。两次纠正后，内容虽然稍微减少了初学者层面的解释，但仍未达到面向资深人员的深度。
最好的做法是什么？
回顾：何时进行改进，何时重新开始
核心规则是：如果问题出在输出上，就进行改进；如果问题出在原始提示词上，就重新开始。
重新开始的三个最明显信号是：经过多次修正后仍反复出现同样的错误、原始构思方向错误，以及最初的前提不成立。长对话中质量下降，通常意味着上下文窗口出现问题，这同样需要在总结后重新开始。
一次失败的对话绝不是浪费——请将其作为反馈，用来编写更好的初始提示词。
常见问题解答
「何时优化，何时重新开始」课时是免费的吗？
是的 — 「何时优化，何时重新开始」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 4 节课。
「何时优化，何时重新开始」这节课中我会学到什么？
识别对话陷入停滞的时机，并判断何时从头开始更合适 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 AI Prompt Engineering 需要有经验吗？
无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「何时优化，何时重新开始」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 AI Prompt Engineering 课中编写并运行代码吗？
能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 阅读和评估人工智能输出
- 编写有效的后续提示
- 基于之前的响应继续操作
- 何时优化，何时重新开始