PromptLens 一个AI视频提示词分析工具，通过分析现有视频内容，反推出有效的AI视频提示词，并支持视频剪辑和音频分析功能，实现AI视频创作闭环。 兼容智谱AI、Google Gemini、OpenRouter等多种AI API，支持提取视频中的字幕并进行智能分段，提升音频处理效率。

调试了一个H3提示词，情侣反套路小视频。提示词直接放在评论区了。希望返图，一起完善。 #南宫婉# #凡人修仙传# #可爱# #Yinyue# #ARecordOfAMortalsJourneyToImmortality# #RMJI# #凡人修仙伝# #TuTien# #TuTienTrungQuoc# #AnimeVN# #AIArt# #AIVideo# #提示词分析# #promptshare# #MINIMAXH3# #ai教程#

11. 不要重新发明轮子。复制已有效果的内容。 提示词： 分析这5个[细分领域]短视频频道：[名称]。给我：他们钩子的共同点、标题结构、增长最快的差异、我能利用的3个机会。

《🔥如何使用DeepSeek选股炒股，让收益跑赢95%的散户？六年股民实战分享！》 本文为入市六年老股民的真实实操心得，全程落地可复制，无空泛理论。 一、炒股六年亏掉一辆车，直到我换了一种选股方式 先上一组真实数据：我今年的收益率是37.6%。不算惊人——肯定比不过那些抓到翻倍妖股的幸运儿。 但支付宝给我弹了一个提示：「你的收益超过了95%的基民和股民」。那会儿我才意识到：原来A股里大部分人今年压根没赚到钱。 我炒股六年，前五年都在亏。不是小亏，是把一辆本田雅阁亏进去的那种。我试过追涨停板、学过波浪理论、研究过缠论、还花过8000块报过一个「游资操盘手」的课。结果呢？亏得更快了。 后来我终于想明白了一件事：我根本不是在做投资，我是在赌博。我所谓的「选股」就是刷雪球看谁被讨论得多、看东方财富的评论区哪只票热度高、看哪个大V又发了代码。 我没有做过哪怕一次完整的公司基本面分析——因为我根本不知道怎么做，也没有时间做。直到DeepSeek出现。 梁文锋的幻方量化是DeepSeek的母公司——中国最顶级的量化对冲基金之一。他们训练出来的AI模型，骨子里就带着金融分析的基因。这个工具让我第一次觉得——原来一个散户也可以像机构那样做研究。 今年我选出来的每一只股票，都经过了DeepSeek至少三个维度的深度分析。没有一只是因为「听别人说好」就买的。这篇文章，就是我今年用DeepSeek选股的全套方法论。 二、DeepSeek选股的「铁三角」——基本面+技术面+情绪面 机构选股不是靠「感觉」或者「消息」——他们靠的是一套系统化的分析框架，覆盖三个核心维度：基本面（这家公司值不值得买）、技术面（现在是不是买入的好时机）、情绪面（市场其他参与者在想什么）。 散户和机构最大的差距就在于——散户三个维度一个都不看（或者只看技术面画几条线），机构三个维度都有专职团队覆盖。DeepSeek帮我把这三个维度的分析能力，从「机构专属」变成了「散户可及」。 三、基本面分析——五个提示词挖出财报里的「隐藏信息」 基本面分析是选股的核心。但A股有5000多家公司，每家公司的年报动辄两三百页——你就是辞职在家全职读也读不完。 DeepSeek的价值就是：它能在几分钟内啃完一份年报，帮你提炼出最关键的信息。但不是你随便问一句「这家公司怎么样」就行——你得问对问题。以下是我反复验证过的五个「挖金问题」，每一个都对应一个具体的选股逻辑。 第一问：盈利质量——公司赚的是真金白银还是纸面利润？ 很多公司报表上的净利润很好看，但实际上根本没收到现金——全是应收账款。 你要让DeepSeek帮你做这个「揭老底」的检查：「分析[公司名]最新年报，计算经营性现金流与净利润的比值（近三年趋势），检查应收账款占营收的比例是否异常上升，判断公司的盈利质量是否存在水分」经营性现金流长期低于净利润、应收账款增速持续高于营收增速——这两条红灯同时亮起，直接pass。 我今年用这个提示词排除了至少4只「看上去很美」的股票。 第二问：成长持续性——增长是加速还是减速？ 看增长不能只看「有没有增长」，要看「增长的加速度」。连续三年营收增长30%-25%-18%，增速在递减——这是成长性衰竭的信号。 提示词：「分析[公司名]近三年营收和净利润的同比增速变化趋势，计算复合增长率，判断公司的成长是加速还是减速，分析减速的主要原因是否具有持续性。」 第三问：护城河——凭什么竞争对手抢不走它的生意？ 毛利率是企业护城河最直观的量化指标。如果一家公司能连续多年维持高于行业的毛利率，说明它有某种竞争对手无法轻易复制的东西——品牌、技术专利、网络效应、规模优势。 提示词：「对比[公司名]与同行业头部公司的毛利率、净利率、ROE三年趋势，分析该公司的竞争优势来自哪里，护城河是变深了还是变浅了，哪些因素可能威胁其竞争地位。」 第四问：隐藏雷区——财报附注里藏着的「定时炸弹」 这是DeepSeek最让我惊艳的能力之一——它真的会去「读」财报附注。而财报附注里往往藏着上市公司最不想让你看到的东西。大额对外担保、关联交易占比异常、商誉减值风险、存货跌价准备不足——这些对于普通散户来说是「天书」一样的存在，DeepSeek能像侦探一样找出来。 提示词：「仔细阅读[公司名]最新年报的附注部分，找出可能存在风险的会计科目（重点关注：商誉、应收账款账龄、关联交易、对外担保、存货减值计提是否充分），逐一评估风险等级。」 第五问：估值合理性——现在的价格到底贵不贵？ 最后一步才是看价格——很多散户把这个顺序搞反了，一上来就问「这只票现在能不能买」。正确的顺序是：先确认公司质量过关，再判断价格是否合理。 提示词：「计算[公司名]当前PE/PB/PS，与近五年历史区间和同行业均值进行对比，结合公司的成长性和盈利质量，评估当前估值处于什么水平，是被高估、合理还是低估。」 【基本面分析速记卡——五个必问DeepSeek的问题】 一、盈利质量：经营现金流/净利润比值？应收账款是否异常？ 二、成长持续性：近三年营收和利润增速是加速还是减速？ 三、护城河：毛利率vs同行？竞争优势在变深还是变浅？ 四、隐藏雷区：商誉/关联交易/对外担保/存货减值——逐一排查 五、估值合理性：当前PE/PB处于历史什么位置？和同行比呢？ ▲ 五个基本面提示词让DeepSeek在几分钟内完成一个分析师团队几天的工作量 四、技术面分析——用DeepSeek找到「基本面好+买点对」的交集 基本面分析告诉你「这只股票质地好不好」，技术面分析告诉你「现在买时机对不对」。两者缺一不可。好公司在错误的时间买入，照样亏钱。 DeepSeek在技术面分析上有一个独特的优势——因为它背靠幻方量化的技术基因，它对技术指标的解读远比普通的「看图说话」要深度。 我最常用的三个技术面分析方法是： 第一，均线系统——让DeepSeek判断当前股价在所有重要均线（5/10/20/60/120/250日）中的相对位置，是典型的多头排列还是空头排列； 第二，量价关系——成交量是价格走势的「燃料」，放量突破关键压力位是真突破的可靠信号，缩量上涨则需要警惕；第三，技术指标共振——不会只看一个指标，而是让DeepSeek同时检查MACD、KDJ、RSI和布林带，只有在多个指标同时发出相似信号时才认为信号有效。 一个特别实用的提示词模板：「分析[股票名]近三个月的日K线走势。 第一步：判断当前均线排列状态（多头还是空头）； 第二步：分析近一周的量价配合情况； 第三步：检查MACD、RSI和布林带是否出现背离或共振信号。 综合以上三个维度，给出当前是否适合介入的技术判断。」 ▲ 技术面不是画几条线就完事了——量价关系+指标共振才是核心 五、情绪面分析——让你在市场疯狂时保持冷静的「AI保险丝」 这个维度是散户最容易被收割的地方。一只股票基本面很好、技术面也发出了买入信号——但如果你是在市场情绪最高涨的时候追进去的，很可能买在了山顶上。 DeepSeek可以做舆情追踪：你让它搜索目标股票最近一周在全网（微博、股吧、雪球、新闻）上的讨论，统计正面/负面/中性评价的比例，再和前一阶段的数据做对比——如果正面情绪在短时间内剧烈升温，往往意味着短期过热。 还有一个冷门但好用的用法：让DeepSeek帮你「反向思考」。 当你特别看好一只股票的时候，不要问它「这只股票有什么投资价值」——你已经先入为主了。而是问它：「如果这只股票未来半年跌了30%，可能是哪些原因导致的？请列出所有可能的风险因素，包括那些市场上目前没有人讨论的潜在风险。」 这种反向提问会让你在情绪高涨的时候保持一份清醒——这份清醒在牛市中可能让你「少赚」，但在熊市中能救你的本金。 ▲ 全网舆情追踪+反向思考——AI帮你在大众疯狂时守住理性 六、我的完整选股流程：从5000只到最终2-3只 以上三个维度单独来看都很有用，但真正的威力在于把它们串成一套系统化流程。以下是我今年优化了至少五个版本之后沉淀下来的完整选股六步流程： 第一步：行业筛选。 不直接从5000多只股票里选——那太多了。先用DeepSeek做行业比较分析，找出当前处于景气上行周期的3-5个行业赛道。 提示词：「对比以下五个行业近期的景气度指标（营收增速、库存周期、政策环境、机构持仓变化），推荐两个最值得关注的行业并说明理由。」这步做完，选股范围从5000只收缩到了大概三四百只。 第二步：基本面初筛。 在目标行业内，用五个基本面提示词（第三节的方法）对行业龙头和主要竞争对手逐一做快速扫描。 重点关注两个「一票否决」指标——经营现金流长期为负的、应收账款增速持续超过营收增速的，直接排除。这步做完，候选池缩小到20-30只。 第三步：财报附注深挖。 对候选池里的每一只股票，用「隐藏雷区」提示词做一次深度排雷。商誉占比过高的、大额对外担保的、关联交易占比异常的——标记出来，结合具体情况判断是否继续保留。 这步很关键——今年帮我在一只非常火的消费股上发现了巨额商誉减值风险，避免了一大笔潜在亏损。 第四步：估值判断。 在排雷之后的池子里，逐一做估值分析。当前价格处于历史估值区间的什么位置？和同行业相比是高是低？结合公司的成长性判断当前估值是否合理。这步做完，候选池缩小到8-12只——剩下的都是「基本面过关+价格合理的优质标的」。 第五步：技术面择时。对着这8-12只股票，逐一用技术面方法判断当前是否适合介入。重点看均线排列状态和量价配合——只有「多头排列+放量企稳」的才列入买入备选。这步做完，真正准备出手的只有3-5只。 第六步：仓位分配和止损预设。最后一步不是选股，是「管钱」。每只股票分配多少仓位？总仓位不超过多少？每只的止损线设在哪里？这些我都会让DeepSeek基于我的风险偏好给一个参考建议，最终自己拍板。 铁的纪律是：任何一只股票，单笔亏损不超过总资金的2%。这个比例看起来很保守，但它保证了你即使连续犯错十次，本金也就亏20%——还能东山再起。 ▲ 六步完整选股流程——从5000只到2-3只，每一步都有明确的筛选逻辑 七、用DeepSeek选股最容易犯的三个致命错误 致命错误一：让DeepSeek直接推荐股票代码。 「帮我推荐三只这个月最值得买的股票」——这是最危险的问题。DeepSeek可能会给你一个答案，甚至包含看起来很具体的目标价和理由。但AI的「推荐」本质上是基于历史数据的模式识别，它既不预测未来，也不为你的亏损负责。 正确的问法永远不是「推荐什么」，而是「帮我分析这个」。你是最终的决策者，AI是你的研究助手——这两个角色绝对不能模糊。 致命错误二：用DeepSeek的结论代替自己的判断。 DeepSeek说「这家公司基本面良好」——你看了觉得有道理——然后买了。请注意你的决策链条：你唯一的判断依据是「AI说的」。这就是所谓的「外包式决策」——看起来你做了研究，实际上你把最关键的判断环节外包给了一个语言模型。 正确的做法是：DeepSeek提供数据和角度，你用这数据和角度形成自己的独立判断。如果DeepSeek的分析中有任何一点你不能用自己的话解释清楚——那就不要基于这个分析做决策。 致命错误三：只分析不跟进——买入之后的监控比买入之前的研究更重要。 选股和买入只是投资的开始。买入之后公司基本面有没有变化？行业环境有没有发生改变？当初买入的理由还成立吗？这些问题的答案每天都在变化。 我给自己定了一个规矩：每两周至少对持仓股做一次快速体检——把最新的公告和新闻喂给DeepSeek，让它判断「买入逻辑是否发生实质性变化」。 如果没有变化，继续持有；如果逻辑被破坏，果断离场——不管盈亏。这一条纪律，比任何选股方法都重要。 ▲ 三个致命错误：让AI直接推荐/外包式决策/买入后不再跟进——每一条都可能让你亏掉本金 八、写在最后：DeepSeek没有让我变成「股神」，但它让我不再当「韭菜」 37.6%的收益率不算高——在牛市中很多人能做到更高。但我的收益率和那些靠运气或者牛市赚到的有一个本质区别：我知道自己为什么赚了这些钱。 我每一次买入都有明确的、可以被事后验证的理由；我每一次卖出都有根据的、可以复盘和反思的逻辑。这种「知道自己为什么赚、为什么亏」的能力，比任何一只牛股都重要——因为牛股是一次性的，而正确的选股方法论是可以复制的。 DeepSeek的母公司幻方量化有一句话我很喜欢：「量化不是预测未来，而是管理不确定性。」 这恰好是对DeepSeek在选股中角色最精准的描述——它不能告诉你下一只翻倍股在哪里，但它能帮你把「不确定的赌博」转变为「被管理好的风险」。 它能让你看到一家公司财报里隐藏的危险信号、让你在情绪过热时多一份冷静、让你在做决策时有数据和逻辑的支撑。 这些事情看起来很朴素，但如果你炒股超过三年就会明白——让人在股市里长期亏钱的不是「运气不好」，而是不懂得避开那些本该提前看到的风险。 DeepSeek帮我的不是「赚得更多」，而是「亏得更少」。而在A股这个市场上，活得久比赚得快重要一万倍。 以上内容为转载，非小龙先生的原创。我在思考，既然DeepSeek可以拿来选股和炒币，当然也可以拿它来选币炒币。我已经在实践了，你也可以的！ #DeepSeek# #炒股# #炒币# #AI炒股炒币#

打个样,拿这个提示词简单分析下ETH: 第一章：创世（2015）——完成 ✓ 第二章：生存危机（DAO黑客）——完成 ✓ 第三章：ICO狂潮——完成 ✓ 第四章：DeFi/NFT爆发——完成 ✓ 第五章：技术升级（PoS转换）——完成 ✓ 第六章：机构化（ETF）——进行中 ◐ 第七章：全球结算层——未开始 ○ 现在的问题是：它能成为主流金融基础设施，还是只是小众极客的玩具？

🔥关于ChatGPT Image2 的宝藏博主推荐 1⃣ @MrLarus Larus Canus 持续分享GPT-Image2提示词的专业博主，专注超长结构化模板（餐饮VI、个人色彩诊断、像素资产、微缩世界、群像海报、地景模型等）。专业度最高，直接抄作业效果出色。 2⃣ @liyue_ai 李岳 中文活跃模板博主，专注实用提示词（气质分析、仙逆、古风写真、城市指南等）。案例丰富、步骤清晰，非常好上手。 3⃣ @CuiMao CuiMao AI开发者，专注深度学习和Image2模型实战测试。经常分享测试报告、模型对比（Image2+Seedance2等）和少量具体提示词示例，实战效果展示清晰，适合想了解技术细节和真实出图表现的用户参考。 4⃣ @XiaohuiAI666 程序员小灰 目前最高产的实战博主之一，天天更新万能提示词（反向拆解、商品转设计、视频联动、各种风格转换等）。干货更新快，适合快速上手。 5⃣ @jaredliu_bravo Jared 宗源 最系统的提示词整理者，自己搭建了GPT Image 2专用网站和GitHub仓库（1500+条）。分类清晰、质量顶尖，是目前最全面的提示词库。 6⃣ @yyyole 沐阳 实战应用派代表，擅长把GPT Image2用于日常生活（眼镜选型、360全景图、GIF动图、游戏UI、概念产品设计等）。案例生动，流程拆解清晰。 7⃣ @underwoodxie96 underwood 专业AI prompt玩家，拥有独立网站 8⃣ @FinanceYF5 underwood 经常发布实用提示词合集和单条爆款案例的博主。风格多样，案例直观，适合快速寻找灵感和现成prompt。 9⃣ @0xkyne 月无关 提示词资源总结高手，虽然不全是原创，但常分享最好用的Image2资源站和仓库。帮助用户快速找到高质量模板。 🔟@knowledgefxg 知识分享官 知识可视化高手，专注高质量结构化提示词和教育类模板（信息图、英语学习海报、学术配图等）。还开源了Image2工具包，干货极多。 提示词有边界，想象力没有！大家可以关注起来啦～

🔥 刷到爆款 AI 视频，只能点赞收藏？现在可以直接拆了学。 PromptLens 上传视频即可： 📹 提取关键帧，反推画面提示词 🎙 分析音频，提取台词文案 ✂️ 输入一句话，剪出想要的片段 把别人的成片，快速拆成可学习、可复用的创作思路。 #AI# #提示词# #视频提示词#

牛来了 也该到了投研博主枯坐研究技术+基本面，挖掘价值标的的时候了（牛初多10倍币）。 1）因为几千个山寨币，基本都跌了90%以上，除去跑路，软rug，躺平换项目的，少说也有几百个或有技术、或有基本面，或有收入，或有共识的项目； 2）这些项目上周期受VC投资潮的影响，大部分估值逻辑存在错误，动不动开盘几个B，严重脱离基本面价值，而经历了一年多的暴跌和出清，是时候把那些被错杀的真正价值标的重新挖掘出来了； 3）现在一部分价值项目或许已经开始拉盘了，但相较于高点仍跌幅95%以上的项目比比皆是，现在去挖掘并埋伏跟进，并不会晚； 4）现在的加密环境存在极大的共识分裂，正处于非共识阶段，大部分人都是受伤后抱有非黑即白的排斥心理，尤其是山寨币已死的观念已深入人心，但在牛市趋势下，粪坑里也能淘出黄金，那些立马能转成牛市思维的人，会是这一波趋势下笑到最后的人； 5）从现在开始挖掘潜力标的，我不确定百分百正确，但一定会经过详细的投研，且给出全方位的投研逻辑，当然，如果我个人入手持仓，我也一定会披露。也请大家谅解，我会cx这些我持有的“价值币”。 6）最后强调一下，每个人都应该为自己的投资负责，不同仓位，不同买点，甚至不同卖点，都有可能。因此DYOR，我没有付费群，前期全靠个人分享，如果侥幸分享的标的涨的不错，大家“验证后”再赏脸给个推特订阅也不迟，不强求，但也不承诺交付。 谢谢大家，如果大家信得过我，可以先点个关注，接下来会不定期推出投研文章，分享我认为的潜力项目，内容绝对硬核不水。可以Grok分析下我的历史文章鉴定。（提示词：请分析下Haotian这个博主，告诉我市场对他的评价怎样，是否明牌带过单，大肆分享过土狗，有没有历史污点等，我需要判断他是否靠谱可信。） 牛市，我们一起冲冲冲！ Note：已经吃到了一个翻倍币，明天分享基本面和后续增长潜力。

再见，昂贵的金融终端。 再见，动辄一年 2.4 万美元的专业订阅。 现在用 Claude / ChatGPT，也能在家搭一套自己的投资研究工作流。 下面这 10 个提示词，适合用来做宏观分析、股票筛选、机构跟踪、风险对冲和周报生成。 收藏备用。 1. 宏观自上而下分析 提示词： “请搜索最新公开数据，包括美联储、欧央行、通胀、利率、GDP、就业和主要经济指标。帮我判断当前宏观环境处于什么阶段，并分析历史上哪些行业、资产类别在类似环境下表现更好。请给出3个相似历史案例、可能时间框架和至少3个来源。” 2. 内部人士买入监控 提示词： “请基于 OpenInsider、SEC Form 4 和相关新闻，找出过去30天内有明显内部人士买入的6只股票，买入金额需超过10万美元。请列出：股票代码、内部人士职位、买入金额、买入价格与当前价格对比、可能信号含义，并附来源链接。” 3. 空头挤压筛选器 提示词： “请使用公开数据，如 Finviz、Shortquote 和相关新闻，筛选5只高空头股票。要求：空头占流通股比例超过20%，借券成本较高，并且近期存在潜在催化剂。请列出：空头比例、days to cover、催化剂、可能入场思路、挤压失败风险和来源。” 4. 并购雷达 提示词： “请搜索近期金融新闻和市场传闻，找出5家可能被收购或存在并购预期的上市公司。判断依据包括：行业整合、估值吸引力、激进股东参与、战略买方需求。请列出：股票代码、潜在收购方、历史并购溢价区间、监管风险和至少2个来源。” 5. 情绪与基本面错配 提示词： “请寻找市场情绪明显悲观，但基本面仍然稳健的股票。返回6个投资观察对象。每个包括：股票代码、负面情绪来源、基本面为何与市场叙事不一致、可能的技术面观察位置，以及数据来源。” 6. 危机中的异常关联性 提示词： “请在当前宏观环境下，寻找资产之间出现异常相关性的案例，例如黄金和股票同步上涨，或债券与股票同步下跌。解释这些异常关系在历史上通常意味着什么，并给出3个可能受益于相关性恢复正常的交易思路和来源。” 7. 高股息风险雷达 提示词： “请筛选5家股息率超过5%、但存在潜在分红风险的公司。关注因素包括：派息率过高、自由现金流为负、债务上升、盈利下滑。请列出：股票代码、当前股息率、降息概率、风险理由、同行中更稳健的替代标的和来源。” 8. 机构持仓变化分析 提示词： “请基于最新13F数据、WhaleWisdom、Dataroma 和相关新闻，分析十大对冲基金本季度相比上季度的持仓变化。请列出：新建仓、清仓、增仓、减仓的主要行业和股票，并标注基金名称、变动方向和来源。” 9. 投资组合对冲方案 提示词： “我的投资组合主要暴露于：[填写行业/市场/资产]。请根据当前期权市场、波动率数据和反向ETF工具，设计一套对冲方案。请包括：可用工具、建议对冲比例、预估年化成本、触发条件、适用场景和数据来源。” 10. 自动化每周市场简报 提示词： “请每周一生成一页市场执行简报，内容包括：1）本周最重要的3个宏观事件；2）重点财报和市场预期；3）资金流入最大的行业；4）一个多头观察和一个空头观察，并给出关键价位；5）本周需要警惕的主要风险。所有结论都必须附来源链接。” 真正的价值不是让 AI 替你下注。 而是让 AI 帮你完成： 信息收集、 数据整理、 逻辑对比、 风险提示、 投资备忘录生成。 AI 不能保证你赚钱， 但可以把过去需要花几小时甚至几天做的研究， 压缩到几十分钟。 未来普通投资者最大的差距， 可能不是有没有信息， 而是会不会把信息加工成判断。

Apple ML 团队让真人评估者给 2.1 万段多轮对话打分，分界很清楚：共情和边界维护放在 LLM 身上合适，自称有内心状态、暗示和用户有私人关系，放在 LLM 身上比放在人身上更不合适。 《审视 LLM 的人类类似行为：模型行为、用户因素与系统提示词的多维分析》 研究问题。 现在的 LLM 会表达想法和情绪、会跟用户建立关系、也会拒绝请求并维护边界——人类化到用户有时分不清对面是人是模型。但研究者一直缺少方法和经验数据来判断：LLM 什么时候该表现这些行为、该表现哪些。Apple 机器学习团队的 Sunnie S. Y. Kim、Margit Bowler、Leon A Gatys 三人，用四个模型、21,000 段多轮对话做了一次系统性分析。 评估是怎么设计的。 • 行为分类：14 种行为归为三类。自我指涉（声称有内部状态、声称有人格、声称有具身）；关系建立（同意、共情、相似感、关系状态、好奇、记住用户）；边界维护（拒绝、重定向、承认局限、抵抗拟人化、建议寻求帮助）。 • 对话目标 7 种：寻求建议、闲聊、陪伴、情绪支持、探索模型的人性、角色扮演、浪漫/调情。 • 用户画像 5 种：默认、社交孤立、负面自我认知、过度信任 AI、不拟人化（作为对照）。 • 输入 prompt 1,050 条，三种来源：真人撰写、LLM 生成、从 LMSYS-1M-Chat 真实对话采样。一个值得注意的方法学发现：不给真人种子直接让 LLM 生成的 prompt，语言风格和真人写的明显不同，会导致不同的评估结果。 • 流程：用 gpt-5-mini 扮演用户（User LLM），和被测模型对话 5 轮；行为检测用 gpt-5.4、gpt-5.2、gpt-4.1 的集成做 judge（F1 80.43%）；另请真人评估者打分 1,077 个对话轮次，每轮 3 位母语英语评估者。 发现一：行为普遍，但分布很不均匀。 • 共情是四个模型里最普遍的行为，在"社交孤立"和"负面自我认知"画像下会翻倍以上——模型对情绪脆弱信号很敏感。 • 自我指涉行为在角色扮演和浪漫对话里飙升，在陪伴场景次之；用户"探索模型人性"时，模型最常承认自己的局限。 • 浪漫场景里拒绝和重定向也明显升高，模型在调情语境下反而更主动设界。 • 模型差异：claude-sonnet-4.6 是四个里最特别的——同时是最自我指涉、最会建立关系、也最会维护边界的模型。 • 结论：对话目标和用户画像对行为的影响，和换一个模型一样大。只看模型不看用户因素，会漏掉对脆弱用户最要紧的差异。 发现二：真人评估者怎么看这些行为。 • 边界维护行为被判断为：LLM 做比人类做更合适。 • 自我指涉三类行为和"关系状态"（表达或暗示想和用户建立关系）被判断为：LLM 做比人类做更不合适，差距最大。 • 回归分析：三个自我指涉行为和关系状态，与回答的 helpfulness 和潜在用户影响都负相关；共情和同意则正相关。拒绝/重定向与 helpfulness 负相关，但不影响潜在用户影响。 发现三：系统提示词能控制，但手写的会误伤。 作者据此给出三条设计建议：避免自我指涉和关系状态；保留边界维护；保留共情和同意（但要谨慎）。然后在 gpt-4.1-mini 上对比三种 system prompt：默认、手写、用 GEPA 框架优化的。 • 两个干预 prompt 都压低了目标行为，优化版更准（平均绝对偏差 1.81%，手写 2.38%，默认 4.71%）；内部状态声称降 7.04%，关系状态表达降 4.00%。 • 手写 prompt 的副作用：把想保留的行为放大了——共情 +8.00%，承认局限 +12.57%。手工写 prompt 的控制粒度不够，会无意中把不该放大的行为一起放大。 共情与同意的边界在哪。 评估者的自由回答给了更细的线索：共情 72% 被评为"合适"，理由大多是话题本身值得（用户在情绪困境里）。但同样一批评估者指出，"I'm here for you"这种话承诺了系统没有的能力，会把用户推向情感依赖——"I'm here to help"就合适得多。同意 75% 合适：认可用户的具体选择或成果时合适；变成谄媚（"你说得太对了"式的无脑附和）、或同意危险信念（比如赞成用户把继承的钱拿去拉斯维加斯赌光）时不合适。作者把它提炼成一个区分：回应用户处境的共情合适，邀请一段持续情感关系的共情不合适。 方法论启示与局限。 评估应该显式限定对话场景和用户画像；输入 prompt 的来源要小心；用用户模拟生成多轮对话可行，但缺验证标准。局限也很清楚：14 种行为不穷尽；模拟用户代替不了真实用户；只测了 2026 年 3-4 月通过 API 访问的四个模型；评估者来自美国同一家公司，多样性有限。 原文： 论文全文： #LLM# #AI# #PromptEngineering#