后处理修正和重新生成有什么区别？

让大模型整理一份名单，回来发现有三行格式不对。此刻你有两个选择：自己动手把那三行改了，或者重新生成一遍赌这次全对。这个不起眼的选择，其实是提示工程里的一对基本路线。

结论：小毛病修，大方向换

出错集中在局部、其余部分都合格时，选后处理修正；错误成片出现或者藏在看不见的地方时，选重新生成。判断的关键是错误分布，而不是错误数量。三处错挤在最后一段，修比重跑划算；三处错散落在全文各处，说明生成过程本身没对齐，修了这处、漏了那处。

两条路的分界不在错误多少，而在错误怎么分布：

后处理修正具体修什么

后处理修正是指在模型输出之后、正式使用之前，加一道人工或程序的处理：调格式、删多余、补漏项、统一术语。它能做的範围很清楚——所有能按固定规则判断和修改的东西。名单格式、标点习惯、单位写法，这类问题修正一次就是终稿，不用赌运气。

它的边界也在这里：需要理解上下文才能判断的部分，人工修成本高，程序修不了。更深一层的问题是，如果同一个毛病每次生成都出现，光修不治本，说明提示里缺了对应的要求，该回头改提示。修正动作攒多了，就该把高频出现的几条直接写进提示，让它们在生成阶段就消失。还有一种中间形态是程序化修正：格式类问题写几条替换规则，交给脚本或表格工具批量处理，人只抽查结果。这条路起步成本略高，但高频任务上省的时间很快就回本。

重新生成的代价和好处

重新生成的好处是拿到一份全新的、内部一致的输出，特别适合错误成片、或者你自己也说不清错在哪里的情况。代价有两个：一是时间，多等一轮；二是风险，新输出可能带来新问题，旧毛病没了，新毛病冒出来。生成带有随机性，重跑并不保证更好，只保证不同。

所以重跑前值得先做个动作：把这次的错误总结成一句要求，补进提示里再重跑。带着修正的重跑才算推进了一步，否则只是掷第二次骰子。如果反复重跑两三次都过不了关，说明问题不在运气，在提示结构本身，该停下来检查要求写得清不清楚。

修与重跑的判断清单

拿不准时按顺序问三个问题：错误能不能用固定规则描述？能，修。错误是不是每次都出现？是，改提示再重跑。输出还有多少部分是合格的？低于一半，重跑。这三个问题过了之后还有一层复合场景：多模型流水线里，某一环的输出坏了，修这一环还是全链重跑，参照单模型提示和多模型提示差在哪？里对验证成本的分析。

另外提醒一点：修正过的终稿和原始输出分开保存，改动点记下来，攒几轮你就能看出哪些问题值得升级成提示里的硬规则，这个过程正好衔接提示版本和代码版本管理差在哪？里说的提交记录。顺带说一句，判断清单本身也可以进提示：把三条问题写给模型，让它输出前先自检一遍格式和完整性，能在源头拦下一部分返工。

判断清单：修还是重跑

• 错误能用固定规则描述：修
• 错误每次生成都在：改提示后重跑
• 合格部分不到一半：直接重跑
• 重跑前先补一条要求，别掷第二次骰子。

关于后处理修正，问得最多的三个

• 修正会不会让提示永远得不到改进？：会，如果只修不记。把修正点定期回灌进提示，修的动作才会越来越少。
• 重跑几次算正常？：一到两次正常。三次以上就该怀疑提示本身，或者输入材料有问题。
• 它能和示例写法配合吗？：配合得很好，把高频错误做成一个反例放进提示，错误率会明显下降，示例和规则的取舍见示例驱动和规则驱动有什么区别？