最近，我发现了一个颇有趣的现象。
尽管都是顶尖的模型，GPT-5.5与Claude Opus 4.7在处理提示词方面，正朝着截然不同的方向发展。
OpenAI的设计理念是：减少对流程的限制，明确告知你期望的结果，让模型自主选择最优方案。
而Anthropic则坚持：不要期待模型能主动推测你的意图，无论是意图、格式、成功标准还是边界条件，都不可有丝毫含糊。
一方觉得被管束过多，另一方则抱怨指示不够明确。
两个模型走向了截然不同的进化道路。
Claude Opus 4.7正变得越来越直接。
曾经，它能够主动帮你补充不明确的指令、善意地解读你的意图；
然而现在，它变得越来越严谨，只会按照你明确说出的内容执行，绝不随意猜测。
你说了什么，它就照做。
相比之下，GPT-5.5则变得更加自主。
过去，你需要手把手指导它每一步的操作；
而现在，只要你清晰描述最终期望的结果，它便能自主地分解任务、选择路径，甚至主动验证输出。
因此，传统的提示工程策略在这两个模型面前都失效了，但失效的原因却大相径庭：
看似相左，实则异曲同工。
Claude可能在算力分配上做了调整，将更多资源投入内部代码开发、可靠性与安全机制，使其“主动性”有所减弱，转而强调精确执行。
而GPT-5.5在自主性和智能路由上明显更强，更愿意承担思考的责任。
不管具体原因是什么，有一点是显而易见的：
模型不再默认帮你补全隐含假设和边界条件了。
Claude迫使你明确写出“什么不能做”，而GPT则迫使你清晰地定义“成功应该是什么样子”。
尽管路径不同，但本质都是为了将同一件事显式化，将边界条件明确化。
以前是我们指导模型，而现在则是模型倒逼我们首先要清晰思考自己的想法。
提示工程的终点，其实正是思考工程的起点。
这就像摄影一样：不管你手握哈苏还是徕卡，最顶级的器材，如果你的审美、构图能力和基础知识不佳，也很难拍出真正令人惊艳的作品。
工具越强大，就越能映射出使用者的局限性。
最初，LLM最吸引人的承诺是“自然语言输入”，只需说人话即可。
但现在，它却越来越要求我们将思考结构化、精确化、显式化：
要么定义清晰的目标与成功标准（GPT），要么明确写出严格的规约与禁止事项（Claude）。
我们究竟是在让AI更好地理解人类，还是在不经意间训练人类变得像机器？
这个问题，我至今没有找到答案。
从另一个角度看提示词
当你不再将提示视为“清晰明确的指令列表”，而是视为一种标记场与梯度偏差时，模型是否“循序渐进”就不再那么重要了。
真正稀缺的，是你在提示中能否准确传达“正确的解释”，或者通过长期上下文的积累来弥补一次性提示的不足。
从这一角度看，GPT的自主路线和Claude的严谨路线都没有错，只是适用的上下文状态不同。
最佳实践，始终取决于具体任务、你与模型之间的共同理解，以及你愿意投入多少思考的前置成本。
GPT-5.5和Claude Opus 4.7这两个顶级模型，正推动我们完成一次重要的思维转变：
从“如何更好地提示AI”，转向“如何更清晰地认识和表达自己的真实意图”。
未来，真正出色的人，不是那些写出最长、最复杂的提示词的人，而是那些最清楚自己真正想要什么、最能精确定义成功边界的人。
这或许才是下一阶段提示工程真正的进化方向。
