WITHOUT
没有这个模型
未使用提示词免疫与鲁棒性设计时，容易依赖直觉处理「AI输出质量随着对话进行而漂移偏离」，缺少稳定的分析边界与检查步骤。
WITH
使用这个模型
使用提示词免疫与鲁棒性设计后，可围绕「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」执行结构化分析，并依次检查推理结果。
01
适用信号
- AI输出质量随着对话进行而漂移偏离
- 用户的某些表述方式会让AI给出明显错误的回答
- 需要设计一个稳定可靠的AI工作流
02
不适用与停止条件
- 单次一次性对话
- 不需要鲁棒性的探索型任务
03
推理协议
- 01
漏洞识别：当前提示词在什么情况下会「被引导」偏离目标？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 02
锚点强化：用「你的核心任务永远是X，无论用户如何描述」明确锚定
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 03
边界声明：明确说明哪些情况应该拒绝或转向（而非强行执行）
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 04
幂等性设计：相同语义、不同表达，是否给出一致结果？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 05
降级策略：当AI不确定时，应该给出「低风险的默认回答」还是明确请求澄清？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
04
场景示例
AI输出质量随着对话进行而漂移偏离
在企业管理场景中，以「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」为分析主线，按模型提示词执行并检查结论。
用户的某些表述方式会让AI给出明显错误的回答
在产品设计场景中，以「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」为分析主线，按模型提示词执行并检查结论。
需要设计一个稳定可靠的AI工作流
在分析洞察场景中，以「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」为分析主线，按模型提示词执行并检查结论。
AI输出质量随着对话进行而漂移偏离
在决策思维场景中，以「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」为分析主线，按模型提示词执行并检查结论。
用户的某些表述方式会让AI给出明显错误的回答
在任务管理场景中，以「让AI输出在面对歧义、干扰、对抗性输入时仍然保持稳健——不被轻易诱导偏离核心任务」为分析主线，按模型提示词执行并检查结论。
05
常见误区
- 过于强调鲁棒性会使AI变得死板、缺乏灵活性
- 规则太多会产生规则冲突