做复杂决策时，最怕的不是信息少，而是把信息少当成信息确定。大模型在面对方案选择类问题时，如果不加约束，通常会迅速给出一个看似合理但高度依赖默认假设的答案。要让它输出稳健的决策推理，需要在提示词中强制它完成三件事：定义清楚决策边界、显式表达不确定性、对方案进行多维度对比和反事实校验。下面拆开说明。
一、先给模型装上决策框架：目标、约束与评估维度
直接问模型“方案A和方案B哪个更好”，这个问法的缺陷在于没有提供决策坐标系。模型只能从通用知识里猜：默认目标是综合收益最大化，默认约束是无明显风险偏好，默认维度是成本、效率、可行性。但真实场景里，不同角色的关注点完全不同。技术负责人可能优先考虑可维护性，业务负责人优先考虑交付周期，财务负责人优先考虑现金流。
因此，提示词的第一步不应是让模型比较方案，而是先要求它复述并结构化决策问题。可以这样写：先给模型一个决策者角色，再列出必须遵守的约束与不可妥协项，然后要求模型自己提炼评估维度，并说明每个维度的定义。这样做的价值在于，即使模型后续推理有偏差，你也可以通过检查它提炼的目标和维度是否与你的预期一致，快速发现问题。
示例提示词片段如下：
你是一名负责技术选型的首席架构师。当前需要在三个候选方案之间做出选择： 方案A：自研模块，预计3个月完成，维护成本高，但完全可控。 方案B：采购第三方服务，1个月接入，按量付费，但供应商存在单点风险。 方案C：使用开源组件二次开发，2个月完成，社区活跃但许可证为AGPL。 请先完成以下步骤，不要直接给最终结论： 1. 用一句话重述决策目标。 2. 列出该决策中不可妥协的约束。 3. 提炼至少5个评估维度，并解释每个维度的含义。 4. 说明每个维度的最低可接受标准。
这段提示词的关键在于“不要直接给最终结论”。如果模型跳过过程直接输出推荐方案，它很容易在推理中隐藏关键假设。通过强制先输出目标、约束和维度，你能得到一个可检查的中间产物。后续所有比较都应该绑定这些维度，而不是临时引入新的判断标准。
另外，评估维度最好区分“收益型维度”和“风险型维度”。收益型维度如性能提升、用户体验改善、收入增长，数值越高越好；风险型维度如供应商锁定概率、合规风险、维护复杂度，数值越高越差。提示词中如果只写“评估成本、效率、风险”，模型可能会把风险当成一个普通得分项处理，导致低风险高成本的反常加权。明确维度类型后，模型在归一化和排序时会更稳定。
二、把不确定性摆到台面上：概率、风险与信息缺口
不确定性下的决策，核心难点不是计算方案得分，而是知道哪些输入不可靠。如果提示词只要求模型给出一个确定性的评分，模型通常会硬着头皮给一个数字，比如“方案A综合得分8.2”。这个数字本身没有意义，因为它没有携带任何关于信息缺失的元数据。
更好的做法是，要求模型把不确定性拆成三类：第一类是可量化的概率不确定性，比如交付延期的概率、供应商涨价超过20%的概率；第二类是已知信息缺口，比如尚未完成安全审计、无法获取真实性能测试数据；第三类是假设不确定性，即模型在推理中主动引入的默认假设，比如默认团队人力不变、默认许可证法律意见成立。三类不确定性应该被显式列出，并在最终推荐中说明它们对结论的影响方向。
示例提示词片段可以这样设计：
在评估每个方案时，请使用以下不确定性框架： 1. 对每个关键不确定事件给出概率估计，如果无法估计，明确写“无法估计”，不要用模糊词代替。 2. 列出当前决策中最重要的3个信息缺口。 3. 说明为了消除这些信息缺口，各需要什么数据或实验。 4. 对每个方案，分别给出最好情况、最可能情况、最坏情况下的结果描述。 5. 如果最坏情况发生，哪条约束会被打破？
这里有一个容易忽略的技巧：禁止使用模糊概率词。模型天然喜欢使用“可能”“大概率”“较低风险”这类词语，但这些词在不同人那里的理解差异很大。提示词中要求将“大概率”映射到具体区间，比如90%以上、70%到90%、40%到70%、40%以下，可以显著提高输出的可操作性。如果模型拒绝给出数值概率，可以退一步要求它给出相对排序，比如“A延期风险高于B，B高于C”。
同时，信息缺口不应该只是被列出来就不管了。高质量提示词会要求模型为每个信息缺口给出一个“获取成本”和“决策影响”。例如，是否值得花一周做性能压测来消除某个关键不确定性？这类问题能让模型从单纯评估方案，转向评估信息获取策略。对于高风险决策，信息获取策略往往比方案本身更重要。
还有一个实用的约束：让模型把假设与事实分开。可以要求输出一个两列表格，一列是“已确认事实”，另一列是“未经证实的假设”。这样即使模型在后续推理中使用了某个假设，你也能追溯到来源。示例写法如下：
请将你的输出分为两部分： 已确认事实：只包含题干中明确给出的信息，不得推断。 未经证实的假设：列出你在推理中使用的所有默认假设，并标注每个假设对结论的影响程度。
三、多方案对比与反事实校验：从排序到可执行结论
多方案评估不是简单打分排序，而是要找到“在什么条件下，哪个方案更优”。很多提示词要求模型输出一个最终排名，却没有要求说明排名的稳定性。一个稳健的决策提示词应该包含敏感度分析：当某个维度的权重变化10%时，推荐结果是否会改变？如果某个成本假设翻倍，结论是否仍然成立？
实现方式可以是要求模型构建一个“情景—方案”表现矩阵。矩阵的行是关键情景，例如基准情景、延期情景、预算压缩情景、供应商退出情景；列是候选方案；单元格中是该情景下方案的表现或得分。模型在生成这个矩阵的过程中，自然会进行反事实推理，而不是只围绕一个默认情景讨论。
请构建一个情景分析矩阵： 行：基准情景、成本上升30%情景、交付延期2个月情景、关键人员离职情景。 列：方案A、方案B、方案C。 每个单元格给出该情景下方案的综合表现评级：强、中、弱，并附一句原因。 矩阵之后，请回答：哪个方案在最多情景下表现稳定？哪个方案在最佳情景下最优但最脆弱？
敏感度分析也要写清楚。不要只写“该结论对成本比较敏感”，而要写出具体数字。例如：当方案B的按量付费单价上涨超过35%时，方案A的三年总拥有成本会反超方案B。这类定量阈值能帮助决策者快速判断哪些输入需要进一步核实。提示词中可以要求模型为每个关键变量给出一个“翻转值”，即让推荐结果发生改变时该变量需要达到的临界值。
反事实校验的另一种形式是“为什么不是其他方案”。让模型在推荐某个方案后，必须为每个未选中方案写一段最有力的辩护理由，并解释为什么这些理由没有改变最终结论。这个方法可以降低确认偏误，避免模型只收集支持首选方案的信息。
在你给出最终推荐后，请完成以下反事实任务： 1. 为方案A写一段最有力的推荐理由，假设你是方案A的拥护者。 2. 为方案B写一段最有力的推荐理由。 3. 为方案C写一段最有力的推荐理由。 4. 然后说明：在这些最强理由存在的情况下，为什么你仍然维持或改变原推荐？
最终的输出应该包含一个可执行结论，而不是停在“综合来看方案B更优”。可执行结论至少要包括：推荐哪个方案、启动该方案的前提条件、监控哪些指标、出现什么信号时需要切换到备选方案、立即需要补充哪些信息。这样模型给出的就不是一个静态答案，而是一个带有止损线和观察窗口的决策建议。
四、可复用模板与常见错误
把前面的要素组合起来，可以得到一个较完整的决策推理提示词模板。模板以“角色—目标—约束—维度—不确定性—情景分析—反事实—输出格式”为骨架，适合方案选型、架构评估、供应商选择等场景。
你是一名资深决策顾问，帮助团队在信息不完整的情况下做技术方案选型。 决策背景： [这里填入背景] 候选方案： A：[描述A] B：[描述B] C：[描述C] 不可妥协约束： 1. [约束1] 2. [约束2] 请严格按照以下结构输出，不要跳过任何步骤： 一、决策目标复述 二、评估维度与最低可接受标准 三、关键不确定事件及概率估计 四、信息缺口与获取建议 五、情景分析矩阵 六、各方案最好/最可能/最坏情况 七、敏感度分析与关键翻转值 八、反事实校验 九、最终推荐与触发条件 十、需要立即补充的信息
使用这个模板时，有几个常见错误需要避免。第一，背景信息太少，却要求模型给出高置信度结论。模型为了满足指令，会制造大量未经证实的假设。正确做法是允许模型明确回答“信息不足，无法给出可靠推荐”，并让它说明需要补充哪些信息。第二，评估维度没有权重。如果维度很多但没有权重，模型在综合排序时会采用隐式等权，结果可能与实际偏好不符。提示词中应要求模型为每个维度赋予权重，并说明权重依据。
第三，把不确定性分析当成独立段落，而不是贯穿始终。很多提示词会在开头要求分析风险，但后续比较方案时又重新使用确定性语言。正确做法是要求模型在每个结论后都带一个“置信度与主要限定条件”。第四，只输出推荐方案，没有备选方案和切换条件。实际决策中，最优方案经常因为执行条件变化而失效，提示词必须要求模型给出次优方案以及从最优切换到次优的触发器。
最后，这类提示词的效果高度依赖模型是否被允许“拒绝确定性”。如果系统提示或任务要求强烈鼓励直接回答，模型会倾向于隐藏不确定性。要让模型敢于说不知道、敢于给出区间估计、敢于承认某些风险无法量化。这需要你在提示词中明确释放这种信号，例如写一句：“如果无法给出可靠概率，请不要编造数字；宁可输出不确定及原因。”
综上所述，不确定性下的多方案评估提示词，本质上是在跟模型的默认推理习惯做对抗。默认推理喜欢压缩信息、快速收敛、给出确定答案；而好的决策提示词则要求展开过程、保留分歧、呈现概率分布。把这个框架内化成自己的提示词库，能在模型选型、方案评估、预算分配等场景中明显提高输出的可信度与可操作性。