概念锚点和锚点家族，AI隐含假设快速对齐方法

之前我讲过用 AI 的时候，模型经常会做大量隐含假设，为了规避不正确假设容易导致规则越写越长，上下文也重。

在agent环境下我通过 memory 记忆我的偏好来消解这些隐含假设，在纯 Chat 原生环境里，我更习惯扔一些“概念锚点”来消解这些隐含假设。

所谓“概念锚点”，本质上就是个“高密度概念召唤词”——一个压缩包。你给一个短词，模型自动在后台解压出几十个隐含条件。

比如写一个“toC化设计”，它一次性就召回了：面向普通用户、视觉吸引、降低认知门槛、情绪表达、网感等一整套范式。反义就是“toB化设计”（信息密集、功能优先、克制）。“苹果风”“赛博朋克”“极简主义”也是同理，直接调用一整个概念簇。

优势是省字、信息密度极高；劣势是它的解读依赖模型对这个概念的“先验”。冷门或新造的词没有语料支撑，就什么也召唤不出来。

所以现在的习惯是：把锚点词当骨架，再用 1–2 句原则去校准方向。

随手盘了一下自己常用的几种锚点类型：

1. 概念锚点： 比如“Bauhaus”“学术综述风格”，一次性召回一个范式簇。

2. 范例锚点： 用具名的产品或人定位。别说“现代感”（那是模糊云），直接说“Linear 的现代感”或者“Wes Anderson 的构图”。模型对具名实体的记忆，定位比形容词准一个数量级。

3. 原则锚点： 告诉模型在两条路之间怎么选，切出非平凡的取舍。比如“宁愿少一句，不要多一句”、“能用动词就不用名词”、“介绍同事，不是卖功能”。

4. 反锚点 / 负向锚点： 把模型的 default 倾向挡回去。点名具体反面，“不要太正式”没用，“不要律师函口吻”、“避免 ChatGPT 默认的那种 bullet 列表”才有效。

5. 关系锚点： 用 X 即 Y / X 不是 Y 的结构。比如“Agent 即同事”、“博客不是论文”。一句话同时完成了正向定义、负向排除和情感定调。

6. 体裁锚点： “changelog 风格”“字典词条”“Twitter thread”。体裁自带结构和节奏，一个词代替五条格式规则。

7. 角色锚点： 给身份打包视角，比如“精算师视角”。最好和原则锚点搭着用——身份给视角，原则给行为，别让模型滑向刻板的 roleplay。

写 prompt 没必要堆砌字数，把锚点词当骨架，用 1–2 句原则或元描述校准方向，基本就够用了。