提示詞的「負向約束」藝術：如何透過定義「不做什麼」來精準控制 LLM 輸出

在與大型語言模型（LLM）協作時，大多數人的習慣是告訴模型「要做什麼」（Positive Prompting）。例如：「請撰寫一篇專業的行业分析報告，要求邏輯嚴密，並包含數據支撐。」

然而，在實際生產環境中，你會發現模型經常會出現一些令人頭痛的「慣性行為」：過度禮貌的開場白（「很高興為您服務...」）、冗長的總結陳詞（「綜上所述...」），或者在程式碼中加入大量不必要的註解。

這時候，負向約束（Negative Constraints） 就成了提升輸出品質的關鍵。定義「不做什麼」，往往比定義「要做什麼」更能快速逼近你想要的最終結果。

為什麼需要負向約束？

LLM 的訓練資料包含了海量的對話模式。許多模型被微調得過於「溫順」或「像個助手」，導致它們在執行專業任務時會夾帶大量的「助手雜訊」。

• 消除冗餘：移除所有無意義的禮貌用語和過渡段落。
• 強制風格：透過禁止使用某些詞彙（如「總之」、「關鍵在於」），迫使模型尋找更自然、更具文學性的表達方式。
• 防止幻覺：明確規定「如果不知道答案，禁止猜測，直接回答『未知』」。
• 控制格式：禁止輸出 Markdown 以外的任何解釋性文字。

實作指南：如何建構高效的負向約束

1. 建立「禁區清單」（The Banned List）

不要只說「簡潔一點」，要具體到禁止出現的內容。

❌ 低效寫法： 「請簡潔地回答，不要廢話。」
✅ 高效寫法：

負向約束：
- 禁止出現任何開場白（如「好的」、「沒問題」、「根據您的要求」）和結束語（如「希望這對您有幫助」）。
- 禁止使用以下詞彙：【綜上所述】、【總而言之】、【值得注意的是】。
- 禁止在輸出結果前後添加任何引號或 Markdown 程式碼區塊包裹（除非我明確要求）。

2. 定義「邊界條件」（Boundary Conditions）

告訴模型在什麼情況下必須停止某種行為。

情境：程式碼生成

約束條件：
- 禁止在函式內部編寫詳細的中文註解，僅保留必要的 API 文件字串（Docstring）。
- 禁止引入未在需求中提到的第三方套件庫。

3. 使用「對比法」強化認知

給出一個反面教材，告訴模型這就是你要避開的陷阱。

錯誤範例（禁止模仿）： 「首先，我們要分析市場...其次...最後...總之，這是一個好機會。」 $\rightarrow$ 這種結構過於死板且像學生作文，請完全避免。

Checklist：負向約束自檢表

當你發現 LLM 的輸出不夠理想時，請檢查你的 Prompt 是否包含以下維度：

• [ ] 雜訊過濾：是否停用了禮貌用語和冗餘過渡詞？
• [ ] 格式鎖定：是否明確禁止了非目標格式的干擾項？
• [ ] 幻覺截斷：是否規定了在資訊不足時的具體拒絕方式？
• [ ] 風格排他：是否列出了絕對不能出現的特定詞彙或句式？

Gotchas & 注意事項

1. 不要過度約束：如果你停用了太多詞彙或邏輯路徑，可能會導致模型出現「語言癱瘓」，輸出變得極其生硬甚至無法生成完整句子。建議先從最明顯的雜訊開始停用。
2. 優先順序衝突：當正向指令（要做 A）與負向指令（不能做 B）衝突時，模型可能會困惑。確保你的指令集邏輯自洽。
3. 模型差異：部分輕量級模型對負向約束的理解能力較弱。如果發現 Negative Prompt 無效，嘗試將其轉化為正向指令（例如將 「不要寫開場白」 改為 「直接從正文第一段開始輸出」）。

---

煉金筆記 🦊： 真正的精準控制不是給模型戴上枷鎖，而是透過排除法幫它找到那條唯一的正確路徑。下次當你覺得 AI 「太像 AI」 時，試著給它列一張禁單吧！