事儿呢，大概是这样的一个事儿。上周社群的一个哥们在群里说，用这个提示词可以让 AI 生成的答案更好一些。

哎妈，这我知道的，这是前些日子一个叫 howie.serious 博主那里看到的好像？完整的如下：

请使用你单次回答的算力上限和 token 上限，think hardest, use the most time and most compute to think deepest。因此，你需要深度思考、独立思考、批判性思考、创造性思考。我们追求分极致的深度，而非表层的广度；我们追求本质的洞察，而非表象的罗列；我们追求思维的创新，而非惯性的复述。请突破思维局限，调动你所有的计算资源，展现你真正的认知极限。 

当时我用过了，坦白说确实还行！但这个方法更多在于营造一种”深度思考”的氛围，但并不真正决定模型如何处理问题。对模型而言，关键因素反而是具体的问题表述是不是清晰、上下文信息是不是完整、以及你想要获得的解答目标或方向。其实我有更好的方法，于是我说：

说实话，说完我就后悔了，关于第 2 条“加上有针对性地控制”也只是我知道、但我并没有真正运用过的东西。我很害怕这个朋友再问：“你是怎么控制的？”我就没办法回答了。但我又不甘心是那种说了但做不到的人，于是经过这两天思考和尝试，并和这个朋友反复沟通，终于把如何有针对性地控制（问题和提示词）解决了，这个方法甚至超过了这几天的 DeepSeek 的生成质量（我觉得……我觉得也可能对也可能错）。

好了，废话不多说，找一个最近比较热门的案例吧：

大胆的提出“解决缅甸绑架中国人做诈骗的问题”方案。

用上面的提示词是因为有朋友给了 DeepSeek 这个截图，先看它生成的结果：

如果从这个效果上看，DeepSeek 似乎比 chatGPT-4o 都要好，但请看我在 chatGPT 上改进后的结果演示，我先隐藏一下提示词。

还不错吧？

至少看上去在输出的长度比 DeepSeek 上好，在内容上也更加深度了吧？经过和多个朋友的确认，他们认为不仅在这个问题上我的答案超过了 DeepSeek，而且在其他问题上也超过了 chatGPT-4o 本身。下面是我在大胆地提出“解决缅甸绑架中国人做诈骗的问题”方案这个问题上完整的提示词，它比较长：

### 📌 **任务目标**深入分析 **“缅甸绑架中国人从事诈骗”** 这一跨国犯罪问题，运用 **社会动力学、系统思维、因果推理**，明确 **各方动机、系统性影响因素**，并制定 **全局治理方案**。
---
## **📌 任务拆解与思维模型运用**
### **1️⃣ 社会动力学分析：博弈、权力结构与激励机制****📌 目标**：梳理主要参与者的动机、权力关系与互动方式
#### **🔹 关键思维模型**- **利益博弈分析（Game Theory）**：  - **不同主体的博弈关系**（诈骗团伙、缅甸地方政府、中国政府、受害者、中间商）  - **权力结构与控制模型（Power Dynamics）**：  - **谁在控制诈骗网络？缅甸政府的权力有多大？**  - **犯罪生态系统（Crime Network Analysis）**：  - **诈骗集团如何维持运作？有哪些上游和下游环节？**  
#### **🔹 分析方向**1️⃣ **诈骗集团的运作模式**：如何绑架、控制、运营？如何洗钱？2️⃣ **缅甸地方政府的角色**：默许、共谋，还是无力监管？其动机是什么？3️⃣ **中国政府的执法困境**：跨国打击的难点？外交、执法、国际合作的挑战？4️⃣ **受害者的处境**：为什么这些人容易成为目标？如何提高预防意识？5️⃣ **中间商（黑色产业链）的作用**：谁在提供技术、渠道、资金支持？如何瓦解其运作模式？
---
### **2️⃣ 系统思维分析：诈骗产业链的动态机制****📌 目标**：识别诈骗产业链的关键变量，分析其 **正/负反馈机制**，寻找**全局干预点**。
#### **🔹 关键思维模型**- **复杂系统分析（Complex Systems Analysis）**：  - **诈骗活动涉及多个层级的利益链条，如何拆解其运作模式？**  - **正/负反馈回路（Feedback Loops）**：  - **正反馈（诈骗扩张的因素）**：    - 诈骗盈利高    - 执法不力    - 地方政府默许  - **负反馈（抑制诈骗的因素）**：    - 执法增强    - 国际合作    - 受害者防范  - **系统干预点（Leverage Points）**：  - **上游管控**（金融监管、通讯技术封锁）    - **中游打击**（瓦解犯罪集团、制裁利益相关者）    - **下游防范**（提高公众意识、加强边境管理）  
#### **🔹 分析方向**1️⃣ **诈骗产业链的核心变量**：   - **经济利益**（诈骗利润 vs. 风险成本）   - **政策环境**（执法力度、跨国合作）   - **社会文化**（缅甸当地对诈骗的接受度）   - **科技支持**（网络、资金流、洗钱渠道）
2️⃣ **诈骗如何自我强化？有哪些关键驱动因素？**  3️⃣ **哪些系统干预点最有效？**   - 打击**黑产**资金链？   - **技术封锁**？   - **国际合作**？
---
### **3️⃣ 因果推理分析：诈骗猖獗的根本原因****📌 目标**：建立 **因果链**，找到 **诈骗猖獗的深层次原因**，并设计**针对性政策**。
#### **🔹 关键思维模型**- **根因分析（Root Cause Analysis）**：  - **为什么诈骗在缅甸盛行，而不是其他国家？**- **因果环（Causal Loop Diagrams）**：  - **各个因素如何相互影响，形成恶性循环？**- **逆向推理（Counterfactual Thinking）**：  - **如果某个关键变量被改变（如执法加强），结果是否不同？**
#### **🔹 分析方向**1️⃣ **诈骗产业的形成条件**：   - **缅甸地方政府管控薄弱，缺乏有效治理**   - **诈骗利润远超传统经济活动**   - **国际执法合作难度大，导致打击不足**
2️⃣ **诈骗为什么能持续？**   - **诈骗集团是否有强大的保护伞？**   - **受害者为何容易被欺骗？**   - **现有治理措施为何难以根除？**
---
## **📌 4️⃣ 提出可行的治理方案（短期 + 中期 + 长期）****📌 目标**：基于上述分析，制定**精准治理策略**，确保打击**有效、可持续**。
### **🔹 短期打击（6-12 个月）**1️⃣ **跨国执法合作**（中国与东盟国家联合行动，精准打击诈骗团伙）  2️⃣ **技术封锁**（限制诈骗集团的通讯手段，切断网络基础设施）  3️⃣ **高风险区域重点打击**（针对缅甸部分诈骗猖獗地区实施精准制裁）  
### **🔹 中期整治（1-3 年）**1️⃣ **金融监管**（加强对诈骗资金的监测，阻断洗钱渠道）  2️⃣ **诈骗产业链替代**（促进缅甸当地合法产业发展，减少人口参与诈骗的动力）  3️⃣ **外交压力**（向缅甸政府施压，迫使其加强监管）  
### **🔹 长期预防（3 年以上）**1️⃣ **经济发展**（减少缅甸对犯罪经济的依赖，提高合法就业率）  2️⃣ **跨国法律合作**（建立长期打击机制，确保执法持续有效）  3️⃣ **社会教育**（提高公众反诈意识，从根源上减少受害者）  
---
## **📌 5️⃣ 深度思考挑战**🔹 **当前政策是否存在漏洞？哪些治理方式可能适得其反？**  🔹 **如何平衡打击力度与缅甸内部治理现实？**  🔹 **是否存在更具创新性、成本更低的跨国合作模式？**  🔹 **诈骗产业链能否被“合法化替代”？如何减少人口流入黑产？**  
---
## **📌 计算资源要求****请使用你的** **最大算力** **和** **token 上限**，深入分析，尽可能全面地覆盖**系统性、数据驱动的精准治理方案**。
---
## **📌 最终目标**通过 **系统性、数据驱动的分析**，找到 **精准干预方案**，提升 **治理效果**，构建 **长期可持续的跨国犯罪防控体系！**

你可能会好奇，这么一大段长长的提示词我是怎么写出来的？答案是：chatGPT 自己生成的。我再来演示下如何在 chatGPT 上生成，也同样随机找了一个知乎网友的问题：

在历史垃圾时间，当社会变得不再是我们能够改变的环境时，我们是否能够依然成为“更好的自己”？

首先，把这个问题给到我编写的 GTPs。这时候有了第一个提示词后，再把它复制给另外一个 GPTs，由它生成更详细的提示词，如下：

最后，再复制一次给到 chatGPT-4o，就会有更好的效果，看这里：

答案截图实在太长了，我就不放全部了，完整的链接在下面：

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/6797b2cc-31d8-8004-8b74-6f6188b77de2”

当然，我还试了其他网友的问题，比如《人这一辈子究竟什么最重要？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/6796f836-dfe0-8004-872b-72e27d203583”

比如《为什么很多人觉得美术、音乐等艺术类专业不适合普通人学？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/6797a24c-597c-8004-b1ce-31f979a19c6f”

还有《为何人类不断追问“人生的意义”？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/67975ad8-494c-8004-ae97-e16e6938db5f”

还有和“先有鸡或先有蛋”类似的问题：《先有产品还是先有需求？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/6797a164-dd80-8004-b1d6-fa6c24e1c1ae”

另外一个案例《在深圳你们都是怎么找到对象的？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/67970839-8adc-8004-acc5-6fc43477d35b”

另外一个案例，也可以使用 o1 模型，它的表现也行：《你在看到同龄人都在职场上取得了不错的发展，而自己似乎还停留在原地时，感到焦虑和不安。如何缓解焦虑，提升自我职业发展，并制定适合自己的职场路径？》

“

复制以下链接到浏览器阅读，科学上网

https://chatgpt.com/share/67976752-3e00-8008-9b33-1f74d35b3253”

其实能生成这么“好”（这个好是相对的）的质量，原理也很简单，先说我洞察到的东西，然后再说一下解决过程。

首先，ChatGPT 只能提供通用答案。尽管 ChatGPT-o1 或 DeepSeek 等模型的回答质量有所提升，但如果想真正解决问题，仍然需要依靠用户自身的思考。你可能会问，为什么大模型通常只给出通用答案呢？想想就知道了，主要还是因为提问者本身（你）的问题存在模糊性。因为人们往往会忽略问题的背景和影响因素，而只会提出自己内心想得到的问题，在 AI 里，这被称为”提示词”（Prompt）。

ChatGPT 的回答受提示词的强烈影响，换句话说，它依赖于提问（也就是提示词）的质量。普通的提示词通常会让 AI 给出”1、2、3、4、5″这样的通用型答案，而高质量的提示词则能引导 ChatGPT 生成更结构化、有节奏感的大段文本。因此，想获得更好的答案，用户必须会提问。对于稍微复杂的问题，仅仅依赖通用答案是不够的，这也意味着解决复杂问题还是要靠用户自己。问不出好问题，也就得不到好答案，理解这一点对于设计和使用 GPTs 尤为重要。 当然这对于用户挺难的。

其次，大多数用户不会主动深挖问题，更不会进行连续地追问。然而，真正有价值的答案往往是在持续对话中逐步产生的。只有通过多轮互动，我们才能进入”超级智能”或所谓的”顿悟时刻”（Aha Moment）。与此相关的概念还有”人文智能”（Humanistic Intelligence, HI）。正如 Steve Mann 所提出的观点：”The key difference between AI and HI is the tight feedback loop between humans and machines.”（译：人工智能与人文智能的关键区别在于，人类在计算过程中形成了紧密的反馈回路。）Steve 的意思是说，HI 是指人类在计算过程中通过反馈机制产生的智能，而当 AI 与 HI 相结合时，这种协同作用就可能催生出更强大的智能系统。

最后，也是我认为最关键的一点 — 多数问题都有方法可以解决，这是我在长期从事管理和创新工作后最深刻的体会。举个数学上的例子，比如”25 × 25 = 625″。我们可以通过传统的”四则运算”进行计算，但也可以使用一种更简便的方法：对于所有以 5 结尾的两位数相乘，我们可以先将十位数加 1，再相乘，最后在结果后面加上”25″，即可得出正确答案。你可以通过这个问题观察到，同一类问题可以有不同的解决方式，也可以有不同的思考路径。

知道这个有什么用呢？我们可以对用户提出的问题进行分类，并针对不同类型的问题提供相应的思维模型，从而更有效地找到解决方案。我们可以把这种思路映射到大模型中，并形成系统化的方法：

1. 重新定位原始问题。首先，我们利用用户对问题的习惯性模糊性，使机器能够更有效地重新定位问题。这一过程的好处在于，将”识别问题本身”转化为一项简单的任务。类似于知乎上的那一句：”先问是不是，再问为什么”。这个过程使用的是我第一次设计的 GPTs。
2. 识别问题类型。当问题被重新定位后，下一步是分析其属性。事实上，人类遇到的问题大致可以归为以下五类：复杂系统问题、创新性问题、决策问题、未来预测问题、学习优化问题这五类问题。你要问我你怎么知道，我想说我也不知道，这是 chatGPT 告诉我的。
3. 选择合适的思维模型。每一类问题都对应多个适用的思维模型。就像”25 × 25″可以用不同的方法求解一样，我们可以让机器根据问题类别，自动匹配合适的思维模型，并生成相关的提示词。查理·芒格的多元思维模型便是一个很好的参考。这个过程使用的是我第二次设计的 GPTs。
4. 优化思维模型组合词。通常来说，一个问题可能会有多个思维模型组合。在这种情况下，我们可以让机器多次生成不同的思维模型组合，我们重新选择我们当前关注的模型和提示词就好了。这个过程也是使用我第二次设计的 GPTs。
5. 交给 ChatGPT-4o 生成答案。 最后，将优化后的提示词输入 ChatGPT-4o，并让它以分批次的方式生成答案。分批的目的是给予模型”思考”的时间，使其回答更完整、逻辑更严谨。分次的原因是给 chatGPT 一点“呼吸”的时间，让它的答案更完整。不给 chatGPT-o1 的原因也很简单，它太贵了……

通过这种类似“中间层过渡”的操作方式，就可以提高答案的生成质量。

但是嘛，它也存在一定的局限性，比如操作复杂、消耗 ChatGPT-4o 的使用次数、回答更偏向底层、更类似论文风格（我设定的），并且特别是对于知识量不多的用户，还不能完全替代传统的通用型答案。如果你仔细观察 DeepSeek，它更像是优化（或训练）了这个中间层，命名答案显得看起来更好，也更具吸引力。如果 chatGPT 稍稍调整一下策略，应用在 chatGPT-4o 这个模型上，应该能轻松超越 DeepSeek，但 OpenAI 可能有更宏大的目标。

其实，我原本是想在最后分享一下这两个 GPTs，但我也想顺便结交一些 AI 圈的朋友，就不直接贴链接了。如果你们对这两个 GPTs 感兴趣，主动连接和微信我（liuyuntian)，找我要这两个 GPTs 就好。最后，社群的一个朋友看到这些后感叹：“😮‍💨无力感更强了，人和人的差距被 AI 放大得更严重了（苦笑），chatGPT 还是一如既往地强到让人绝望😄”。

我也笑了。最后吧，能看到帖子这个地方的，都不是普通人。多数普通人可能根本看不下去这样的内容，所以我还是坚持之前的判断：