AiSiri网3月3日消息，当你还在为如何写出“完美提示词”而绞尽脑汁时，谷歌研究院告诉你，也许是时候返璞归真了。最近一篇名为《提示重复可增强大语言模型非推理性能》的论文揭示了一个对业界颇具启发的发现：想让AI在某些事情上做得更好，最简单有效的方法可能就是——把话再说一遍。
以科技KOL的风格来讲，这就像是你在跟心不在焉的朋友交代一件重要的事，在旁边踩他一脚，提醒道：“喂，我刚才说的，你再听一遍。”
具体操作简单到令人失语：把你原本需要发给AI的提示词完整地复制一遍，然后粘贴在原提示词后面，再发送出去。比如你的需求是“总结这份报告的核心观点”，那么就把它变成“总结这份报告的核心观点 总结这份报告的核心观点”。至此，你的提示词优化工作就完成了。
这个方法在学术上被称为“提示重复”（Prompt Repetition）。谷歌团队在论文中指出，现代主流大语言模型基于Transformer架构，其工作原理如同单方向阅读，模型在读取提示词时，是逐词进行的，无法前瞻。这种机制有时会导致对前文信息的利用不足或丢失。
而重复提示词，相当于为模型创造了一次“虚拟重读”的机会。当模型第二次“看到”相同内容时，整个上下文的关联信息在模型内部得到了强化，从而更容易抓住关键指令，并生成更准确的回应。
效果如何？数据给出的答案有些惊人。研究团队对包括Gemini、GPT、Claude在内的7个主流大模型进行了广泛测试。在非推理任务（如信息提取、简易问答、内容分类）上，该方法在70个测试场景中的47个里带来了模型性能的显著提升，23个场景持平，全程未出现负面效果。
一个典型的例子是“姓名索引”任务（NameIndex）：给模型一份包含50个人名的长列表，然后询问“第25个人是谁”。对于Gemini 2.0 Flash-Lite模型，在常规提示下其准确率只有21.33%，几乎不具备可用性；但采用重复提示词后，准确率飙升至97.33%，提升了超过4倍。
这种提升背后并非简单的“加长输入”。论文明确指出，性能的优化来源于“重复”这一结构本身，而非单纯增加了输入内容的长度。实验甚至发现，在某些任务上，将提示词重复三次的效果会更好。
然而，这项技巧并非“万能钥匙”。它的局限性同样明确。对于那些本身就内置了深度推理机制、会进行内部反复推算的模型——例如OpenAI的o1系列或DeepSeek-R1——外部提示词的重复收效甚微。因为这些模型已经自主完成了“重复思考”的过程。
此外，该方法也不适用于纯粹的创造性任务，如诗歌创作、开放式写作。更重要的是，如果原始提示词已经很长，接近模型的上文处理极限，重复操作可能导致处理延迟甚至错误，需要用户酌情判断。
这项研究的商业意义可能大于其技术炫酷程度。它提醒业界，在追逐复杂算法和庞大参数的同时，有时最朴素、最高性价比的优化恰恰隐藏在基础交互逻辑里。对于企业而言，这可能意味着在无需对现有AI系统进行大规模改造的前提下，仅通过调整输入端的交互协议，就能在特定业务场景（如客服信息提取、文档关键点查找）中获得显著的效果提升。
有行业观察者评论，这一发现让复杂的提示词工程学显得有些尴尬，但它也揭示了当前大模型底层架构中一个有趣的信息处理特性，为未来的模型优化方向提供了新的思路。
如今，普通用户面对AI偶尔的“答非所问”或“丢三落四”，或许可以先尝试将这个成本近乎为零的技巧——将自己要说的话，再说一遍。从某种意义上说，这句古老的沟通智慧，在人类与AI的对话中，再次被证明是有效的。
事实上，很多让AI性能飙升的技巧，往往并不神秘，甚至足够简单。
