提示比模型更重要：封面信生成实验

一位开发者创建了一款应用，利用本地模型（通过Ollama）或云API为职位空缺生成求职信，并决定测试文本质量对模型的依赖程度。他与一位正在IT行业求职的朋友进行了盲测。第一轮使用三个模型（qwen2.5:3b、qwen2.5:7b、llama-3.3-70b）生成的结果，可发送性仅为20%-30%，而云模型并未优于本地模型。分析发现常见缺陷：占位符未填写、捏造的经历以及中文字符。结果发现问题出在提示本身——它用英文编写，且缺乏限制。将提示改写为俄文后，机械错误从25%降至100%的清洁度，但人工评估因内容乏味仍然为零。朋友指出，求职信通常被快速扫读，因此短语开头吸引注意力的密度很重要。经过十次迭代后，提示向模型解释了信件如何被阅读，要求以基于事实的第一行开头，简短问候，并单独一段说明与职位的匹配度。使用此提示，本地模型（gemma-3-4b、qwen-3.5-4b）在八封信中有七封达到100%的可发送性，而Claude Opus 4.8和GigaChat-2-Pro则达到100%且风格更生动。在图灵测试中，朋友将8封生成的信件中的6封识别为人类撰写。结论：提示设定了下限，模型提升了上限；在硬件较弱的情况下，本地4B模型已能生成像样的信件。