你的提示词值几分？有人做了套评分系统

一个做加密钱包分析的团队，花了半年打磨产品，最后发现最大的瓶颈不是选哪个大模型，而是怎么跟模型说话。他们干脆做了个打分工具，把提示词质量拆成8个维度、满分80分。这件事本身比工具更值得聊——为什么到现在才有人系统性地量化这件事？

正方：提示词质量必须被量化

「Every AI model you're using is better than you think. Your prompts are the bottleneck.」

这是PQS（提示词质量分数）团队的原话。他们的核心论点很直接：模型能力被严重低估，真正卡脖子的是输入端。

他们举了个实时例子。同一模型、同一接口，提示词从「explain machine learning」改成结构化指令后，PQS从9/40跳到35/40，提升84%。输出从一句笼统定义，变成带角色设定、结构清单、受众定位、字数控制的完整方案。

这个对比戳中了一个痛点：大多数人写提示词靠直觉，优化靠试错，好坏靠感觉。PQS想把它变成可测量、可复现的工程问题。

他们的评分框架分两层。输入层4项：具体性（需求定义是否精确）、上下文（给模型的素材是否充足）、清晰度（指令有无歧义）、可预测性（多次运行结果是否稳定）。输出层4项：完整性（是否覆盖提示词隐含的全部要求）、相关性（是否回答真正的问题）、推理深度（是否展现结构化思考）、忠实度（是否紧扣提问内容）。

每项1-10分，总分80。8个维度，5个学术框架，1个数字。

更关键的是溯源。PEEM（提示工程评估模型）、HELM（语言模型整体评估）、PromptBench、Chain-of-Thought评估框架、Self-Consistency验证——每个维度都能追到经同行评审的文献。这不是拍脑袋的「感觉更好」，是可辩护的评分。

团队还做了一个反直觉的设计：不直接给你优化后的提示词就完事，而是原提示词和新提示词并行运行，输出并排对比。输出差异即证据，无需信任中介。

这个设计有产品思维。它解决的不是「优化提示词」这个技术问题，而是「凭什么相信你的优化」这个信任问题。在AI工具泛滥的当下，可验证比可优化更稀缺。

反方：量化可能是新的幻觉

但打分这件事本身，可能制造另一种误导。

第一个问题是维度完整性。PQS的8个维度覆盖了提示工程的主流文献，但「好提示词」的标准是否只有这8项？创意写作、代码生成、多轮对话、工具调用——不同场景的核心诉求差异极大。一个写小说的提示词，「可预测性」可能是缺点而非优点；一个调API的提示词，「推理深度」可能根本无关。

团队目前聚焦的是分析类任务（他们自己做的是加密钱包行为分析），框架的泛化能力尚未验证。把特定场景的评分标准包装成「通用质量分数」，有过度承诺的风险。

第二个更深层的问题：分数高等于结果好吗？

35/40的提示词确实结构工整，但「结构工整」和「解决用户真实问题」之间隔着一层。一个精心设计的提示词可能完美命中所有评分维度，却漏掉了提问者真正需要的角度。评分框架是自上而下的规范，用户需求是自下而上的涌现，两者不一定对齐。

还有「同行评审」这把保护伞。学术框架的引用增加了可信度，但也可能变成免责条款——「我们是基于研究的」可以回应一切质疑，却回避了研究本身的边界。PEEM评估的是提示工程技巧，HELM评估的是模型能力，PromptBench评估的是对抗鲁棒性，这些框架的初衷并非组合成一个「提示词质量」的单一指标。硬拼在一起，是否产生了新的概念偷换？

最后是最实际的质疑：这个分数能指导行动吗？

知道「具体性5分」比知道「写得不够具体」进步有限。真正的瓶颈往往是「我不知道自己没定义清楚什么」，而非「我知道没定义清楚但懒得改」。评分系统擅长识别症状，不擅长诊断病因。从9分到35分的跃迁，关键不是发现了低分，而是提供了一个高分的模板——但模板能复用到多少场景？

我的判断：评分是中间态，不是终点

PQS的真正价值，不在于它给出了一个「权威分数」，而在于它把提示词质量从黑箱拉进了可讨论的空间。

过去半年，AI社区经历了一场微妙的认知迁移。2023年初，大家疯狂比较模型排行榜；2023年中，注意力转向RAG（检索增强生成）和微调；2024年，提示工程重新被正视，但讨论方式变了——不再是「魔法咒语」的玄学分享，而是系统化方法的探索。PQS是这个趋势的一个节点。

它的问题也很明显：单一分数的压迫感、场景泛化的未验证、诊断深度的不足。但这些是「第一个命名系统」的必然代价。广告行业的CPM（每千次展示成本）1920年代诞生时，同样粗糙、同样有场景局限，但它提供了一个锚点，让优化有了方向，让交易有了语言。

PQS团队选择先做加密分析这个垂直场景，是聪明的。垂直意味着可验证——输出是否帮交易员赚到了钱，比分数本身更硬。如果PQS能在这个场景建立「高分提示词=更好商业结果」的因果链，再向外扩展，比一开始就宣称通用更有说服力。

更值得观察的是他们的「并排输出」设计。这暗示了一种产品哲学：在AI时代，可验证性比权威性更重要。用户不需要相信评分算法，只需要相信自己的眼睛。这种设计选择，可能比评分框架本身更有长期价值。

对科技从业者来说，这件事的启示是双重的。第一，提示词优化还有大量红利，但红利属于愿意系统化处理的人，而非继续靠直觉试错的人。第二，当你构建AI产品时，「可验证」应该成为核心设计原则——不是告诉用户「我更好」，而是让用户自己看到「哪里不同」。

如果你正在用AI处理任何关键任务，现在就可以做个实验：把同一个提示词运行三次，观察输出波动。如果三次结果差异明显，你的提示词在PQS的「可预测性」维度大概率不及格。修复它，比换模型便宜得多。