把专家角色、强约束、少样本示例、逐步推理和迭代结合起来，得到真正让你学到东西的回答。
在 Kodokon 中打开本课AI 教给你的东西质量如何，直接取决于你提示词的质量。一条含糊的提示词——“给我解释一下泛型”——只会得到一个含糊的回答，为一位并不存在的“平均读者”而校准。有四种技巧能从根本上改变产出，而且它们可以组合：专家角色（设定说话的是谁、以什么标准），强约束（长度、前提、禁令、格式），少样本示例（展示期望的格式而不是描述它），以及逐步推理（在结论之前要求方法）。第五个不是一种写作技巧，而是一种姿态：迭代——第一个回答是一份供你打磨的草稿，绝不是成品。
你是一位 [技术] 领域的资深讲师，以讲解密度高、没有废话著称。
请在以下约束下给我讲解 [精确的概念]：
- 假设我已经掌握 [前提知识]：不要重讲任何基础。
- 最多 200 字，然后给出**一个**极简的带注释示例。
- 结尾出**一道**检验我是否真正理解的问题——不是回忆题，而是应用题。
- 如果这个概念在生产环境中有经典的坑，用一句话点出来。
在我回答你的问题之前，请等待。如果我答错了，不要直接给出更正：指出我的推理在哪里偏离了轨道，然后让我再试一次。我们来拆解一下。角色不是为了奉承模型：它切换了回答的语域——词汇、抽象层级、标准。约束完成其余的工作：“最多 200 字”砍掉废话，“不要重讲任何基础”帮你省下三段你早已知道的内容，而结尾那道问题把被动阅读变成主动回忆——这是记忆最被充分证实的机制。通用规则：含糊的约束产生含糊的结果。“简洁点”什么也没约束；“200 字、一个示例、一道问题”约束了一切。接下来说少样本：当描述格式变得繁琐时，就把它展示出来。
我正在复习 [主题]。请严格按下面两个示例的格式生成练习题。
示例 1：
情境：一次查询返回 10000 行，而屏幕只显示 20 行。
问题：哪种机制能避免把全部加载进来，它隐藏的代价是什么？
难度：中级。
示例 2：
情境：两个用户在相隔一秒内修改同一个资源。
问题：这里该选哪种冲突处理策略，为什么？
难度：高级。
请就 [主题] 按这个格式生成 5 道题：一个取自真实工作的具体情境、一个迫使人推理（绝不靠死记硬背）的开放式问题、一个难度。不要给出答案：我会一道一道地回答，你则通过指出我的推理缺了什么来纠正我。少样本利用了模型的首要强项：模式续写。两个精挑细选的示例，在语气、粒度和结构上界定得比十行指令还要精确——而你的示例同时也设定了标准。最后一种写作技巧：逐步推理。对任何非平凡的问题，都要在结论之前索取方法。一个开头就抛出结论的回答，剥夺了你最本质的东西：那条路径，而它恰恰是你想学的。附带好处：显式的推理会暴露它自身的破绽——你能在吞下一个错误结论之前，逮住那个关于你背景的错误假设。
在回答之前，请以可见的步骤进行推理。
我的问题：[非平凡的技术问题]。
要求的格式：
1. 复述我的问题，以确认你已经理解它。
2. 列出你对我背景所做的假设（版本、架构、数据量）。其中错的，我会更正。
3. 一步一步走完你的推理，在每个本可以走另一条路的地方都标出来，并说明你为什么没走那条路。
4. 结尾时，把确定的东西和取决于我对第 2 点回答的东西分开来。
只在推理之后才写结论，绝不在之前。这就只剩迭代了，它是把进阶用户区别开来的那项技能。当回答令你失望时，绝不从头重写一条提示词：诊断出落差，补上缺失的那条约束。太长？加一条上限。太笼统？补上你的背景和一个示例。跑题？第 1 点里的复述会告诉你误解是从哪里溜进来的。三四次有针对性的迭代，能得到任何一条初始提示词——无论多用心——都得不到的回答，而且每一次迭代都让你更了解自己真正在找什么。