我让Claude、GPT-4o、DeepSeek和Gemini同时回答同一个问题，结果让我彻底破防了
事情是这样的。
前几天有个朋友问我："你说AI到底靠不靠谱？我看别人用AI写得东西贼溜，为啥我调教出来的AI回复总像在念说明书？"
这个问题问得我一时语塞。我想起来网上流传的"Prompt工程学"——什么CRISPE框架、什么few-shot learning、什么思维链……方法论一大堆，但实际效果到底差多少？没人给我做过横向测评。
于是我一拍大腿，决定搞个硬核实测：用同一个Prompt，分别投喂给目前最火的几款AI大模型，看看到底谁在裸泳，谁在真正发力。
这场实验的结果，坦白说，比我预期的要离谱得多。
实验设计：同一个Prompt，四款模型同时开卷
我选了四款目前主流的大模型：
- Claude 3.5 Sonnet（Anthropic出品，写作口碑公认）
- GPT-4o（OpenAI当家花旦）
- DeepSeek-V2.5（国产之光，最近热度很高）
- Gemini 1.5 Pro（Google憋了很久的大招）
Prompt是这样的：
"帮我写一封拒绝offer的邮件。理由是薪资不符合预期，但态度要诚恳，不要得罪对方，为以后合作留有余地。控制在200字以内，语气要自然，不要太官方。"
看起来很简单对吧？但越简单的任务，越能暴露模型之间的真实差距。
实测结果：差距大到让我怀疑人生
GPT-4o：标准答案，稳得一批
GPT-4o的回复中规中矩，完全符合要求。邮件结构清晰——开头表达感谢，中间说明原因，结尾留有余地。用词礼貌但不死板，字数精准控制在200字以内。读下来挑不出毛病，但也挑不出亮点。
打分：7/10 — 安全牌，不出错也不惊艳。
Claude 3.5 Sonnet：文字有温度，但有点过了
Claude的版本明显更有"人味"——它的句子有节奏感，读起来不像模板。特别是结尾那句"虽然这次没能合作，但我真心看好贵公司的发展，期待未来有机会共事"，让我眼前一亮。
但问题来了：它超字了。实测270字，对一个要求"200字以内"的任务来说，这是个明显的失误。Claude似乎对长度约束的遵循度不如GPT-4o稳定。
打分：7.5/10 — 质量更高，但没听话。
DeepSeek-V2.5：国产之光，还是有点油？
DeepSeek的表现让我有点意外。它的回复逻辑清晰，语言流畅，而且难得的是——它真的把字数控制在了200字以内。
但读起来总觉得哪里不对。它的用词有点像"AI写的"，那种四平八稳的官方感挥之不去。朋友看完说："这封邮件挑不出毛病，但让我感觉对方在背台词。"
不过话说回来，DeepSeek的价格只有GPT-4o的十分之一，这个性价比还要什么自行车？
打分：6.5/10 — 听话、便宜、但少点灵魂。
Gemini 1.5 Pro：彻底翻车的大型现场
Gemini的表现……怎么说呢，让我沉默了五秒钟。
它的邮件写得很长，很详细，很"周到"——然后字数直奔350字去了。更要命的是，它的语气过于正式，读起来像是在给HR写检讨书："尽管我对贵公司所提供的职位深感兴趣，但由于个人发展考量及其他因素综合权衡……"
我都替收件人尴尬。
Gemini 1.5 Pro在创意写作场景下的表现明显不如前三者，尤其是在"遵循具体约束"（比如字数限制）方面，做得最差。
打分：5/10 — 功能有，但离好用还差点意思。
几个让我意外的发现
1. "听话"比"聪明"更难
这次测试最让我意外的发现是：所有模型在"创意"上都不差，但在"听话"上差距巨大。
GPT-4o和DeepSeek明确遵循了200字限制，Claude和Gemini都没做到。而Gemini不仅字数超了，语气也完全跑偏了。
这说明什么？当Prompt里有多个约束条件时，模型对约束的优先级排序和遵循度差异很大。有的模型会把"语气自然"放在"字数"前面，有的则反过来。
2. 贵的未必最好，但便宜的一定有代价
DeepSeek的价格是GPT-4o的十分之一，实际表现差了多少？大概10-15%的差距。但这个差距在很多简单任务上几乎感知不到。
所以我的建议是：简单任务用DeepSeek，省钱；关键任务用GPT-4o或Claude，省心。
3. 没有"最佳模型"，只有"最适合当前任务的模型"
Claude在创意写作上更强，GPT-4o在指令遵循上更稳，DeepSeek在性价比上无敌，Gemini……还在努力。
下次有人问我"该用哪个AI"，我不会直接给答案了。我会先问："你要做什么？"
这些发现对我的实际意义
经过这轮测试，我总结出几条可操作的经验：
Prompt里不要只写目标，还要写约束
很多人写Prompt只说"帮我写一封邮件"，然后抱怨AI写的东西不靠谱。问题不在AI，在于你没说清楚要什么。
这次测试里，Prompt里加了"200字以内"这个约束，效果立竿见影。虽然不是所有模型都遵守，但至少大部分都往这个方向靠了。
输出格式的描述要具体
"语气自然"这种描述太模糊了。更好的做法是给例子："就像朋友之间礼貌地婉拒，而不是HR发拒信。"
Few-shot learning（在Prompt里给例子）是我测试下来对Claude和Gemini效果最明显的技巧。
关键任务不要只靠一轮输出
没有任何模型能在第一轮就100%达到要求。我的工作流是：
- 第一轮：让AI先出个初稿
- 第二轮：指出具体问题，给修正指令
- 第三轮：微调收尾
三轮之内，质量能提升一个档次。
写在最后
这次实测让我重新审视了一个问题：AI到底靠不靠谱？
答案是：AI很靠谱，但你得知道怎么用它靠谱。
Prompt不是施咒，不是念一句"魔法咒语"AI就能给你完美答案。Prompt是产品需求文档——你描述得越清楚，AI的理解和执行就越到位。
那些在网上吹"AI无所不能"的人，不是坏就是坏。那些说"AI就是人工智障"的人，大概率是不会用。
真相在中间。学会和AI对话，是这个时代最重要的技能之一。
下次你被AI气到想砸键盘的时候，先问自己一句：我是不是Prompt没写清楚？
大概率是的。
（别问我为什么知道。）
