什么是负面清单？告诉 AI「不要什么」为什么有用

负面清单指在提示词里明确列出「不要做什么」的一组约束，比如「不要使用夸张形容词」「不要出现英文缩写」「不要分点罗列」。它有用，是因为大模型生成时是在大量候选表达里做选择，正面要求告诉它往哪个方向走，负面约束则帮它排掉那些常见但不合意的选项。只说要什么，AI 会按自己的默认习惯补齐其余部分，而那些默认习惯恰恰常常是你不想要的。用好负面约束，DeepSeek 这类推理型模型的输出会明显更贴需求。

负面约束为什么能起作用

模型的默认风格来自训练数据的大众偏好：爱用套话、爱分点、爱加收束句。当你的需求偏离这些默认习惯时，只靠正面描述往往拉不回来，因为它不知道自己默认写法和你要的差别在哪。负面清单相当于把偏差点直接指出来。比如「写得口语化」配合「不要出现排比句、不要用反问结尾」，效果比单独一句「写得口语化」稳定得多。

哪些项值得写进不要清单

从两类来源攒。一是风格类：套话开头、空洞形容词、emoji、感叹号、特定句式，凡是你在结果里反复手动删掉的东西，都该进清单；二是内容类：不编造数据、不推荐具体品牌、不扩展到无关话题，这类约束在事实性任务里尤其重要。清单要用自己的翻车记录来养：每次不满意的结果里，挑出反复出现的毛病，翻成一条「不要」，攒上十几条，你的清单就比别人抄来的通用模板贴合得多。

负面与正面要求要配对

只说不要，模型有时会犹豫该换成什么，结果换一种方式犯同样的毛病。更稳的写法是配对出现：「不要用专业术语，用高中生能懂的比喻」「不要分点罗列，写成连贯的两段」。先排除，再给出替代方向，模型就有了明确的落点。顺序上负面项紧跟对应的正面要求放在一起，比把所有「不要」堆在开头更容易被遵守。

清单过长会适得其反

不要项超过十几条时，约束之间可能互相打架，模型顾此失彼，甚至为了避开某条而踩进另一条。控制数量有两个办法：一是合并同类项，「不要出现营销套话和空洞形容词」比拆成五条更有效；二是分层存放，通用毛病放进固定的背景段，本次任务特有的毛病才临时加。每次生成后逐条检查遵守情况，长期没人违反的条目可以撤掉，给新约束腾位置。

从检查结果里迭代清单

负面清单是养出来的，不是一次写成的。给高频任务建一份专属清单，每次生成后花一分钟对照检查：哪几条违反了、哪几条多余，违反的分析是写法不够明确还是位置太靠后，多余的考虑合并。三五个任务循环下来，这份清单就会进入稳定状态，之后新任务直接带上它，输出的合格率会肉眼可见地提升。

延伸阅读：提示词新手第一课、提示词真正起作用的地方、提示词越长越好吗。

负面清单的四条写法

• 每条「不要」后面紧跟替代方向
• 负面项与正面要求放在一起
• 超过十几条就合并同类项
• 长期没人违反的条目可以撤掉

最容易被忽略的是配对替代方向，只说不要，模型会换一种方式犯同一个毛病。

不要清单里的要求，模型真的每次都照办吗？

• 负面约束写在提示词开头还是结尾更有效？：差别不大，关键是别埋在长段落中间。单独成段或用列表列出，遵守率明显高于夹在叙述里；特别重要的条目可以在结尾再强调一次。
• 「不要写太多」这类模糊说法算负面清单吗？：不算有效约束。改成具体数字，比如「不超过三百字」「举两个例子就停」，模型执行模糊指令本来就依赖猜，量化后才有稳定的执行标准。
• 模型违反了清单里的条目，重问时该怎么办？：把违反的那条单独拎出来点名：「上一版出现了 XX，重新生成时严格避免」，比整份清单重发一遍更有针对性，也更容易被纠正。