一个被忽视的Prompt技巧，居然是复制+粘贴。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
一个被忽视的Prompt技巧，居然是复制+粘贴。
原创 数字生命卡兹克 数字生命卡兹克 2026-01-22 10:23 浙江
前两天，我在网上发现了一个关于很有趣Prompt技巧。
就是，通过重复输入提示词，可以将非推理类大模型的准确率，从21.33%提高到97.33%。
这个技巧，出自Google的一篇好玩的新论文。
叫《Prompt Repetition Improves Non-Reasoning LLMs》。
翻译过来就是：
重复你的问题，能让AI变得更聪明。
听着是不是非常抽象，其实巨简单。
比如你以前问AI：“梵蒂冈的那个圣伯多禄大教堂门口有几根柱子？”
现在，你可以改成问：“梵蒂冈的那个圣伯多禄大教堂门口有几根柱子？梵蒂冈的那个圣伯多禄大教堂门口有几根柱子？”
对，不是我多复制了一遍，其实，这个Prompt技巧，就是把问题，重复一遍，也就是传说的CV大法。
Ctrl C + Ctrl V。
就这，根据Google的实验，他就能让AI回答正确的概率，就会有显著的提升。
在70个不同的测试任务中，这个简单的复制粘贴大法，赢了47次，一次都没输过。而且性能提升是肉眼可见的，在某些任务上，准确率甚至能从21%直接飙到97%。
真的，当我第一次看到这个结论的时候，我的表情，是这样的：
( ´･･)ﾉ(._.`)？？？？
这感觉，就像你千辛万苦爬上喜马拉雅山顶，想求见传说中的武林宗师，结果宗师摸着胡子告诉你，天下第一的武功秘籍，就五个字：“大力出奇迹”。
尼玛。
充满了B级片的荒诞感。
但你先别急着笑。
我花了一点时间，把这篇看着简单的论文，以及它背后的一些原理琢磨了一下之后，我觉得，这玩意，是真的有点意思和道理。
先说说Google的这个实验。
他们找了七个现在市面上最常见的一线非推理模型，Gemini 2.0 Flash跟 Flash Lite，GPT-4o和4o-mini，Claude 3 Haiku、3.7 Sonnet，再加一个DeepSeek V3，全部用官方 API，老老实实在各种基准上测了一轮。
这里需要注意一下，这种Prompt技巧，几乎都是对非推理模型有用，DeepSeek V3就是非推理模型，DeepSeek R1就是推理模型。
当你开了深度思考，有这个正在思考的，有这种思维链的，就是推理模型。
非推理模型和推理模型有好有坏，核心区别自然就是速度和准确性，推理模型很多时候速度太慢了。
比如我经常让GPT 5.2 Thinking帮我干个活或者搜个东西，思考一下，就是8分钟过去了。。。
但是好处就是准。
非推理模型，没有思考，上来就是干活，速度非常快，但是相对于的，就是经常不准。
而现在这个复制大法，可以让你的非推理模型在速度不变的情况下，准确性飙升，所以，在很多场景下，还是非常有用的。
说回实验，他们找了7个模型测试，测的内容也都耳熟能详，ARC、OpenBookQA、GSM8K、MMLU-Pro、MATH等等一些常见的测试集，还有他们自己设计的两个怪东西，NameIndex和MiddleMatch。
NameIndex叫姓名索引法，大概就是给模型50个名字的列表，问它第25个是谁。
MiddleMatch就是中间匹配法，就是给模型一个会随机重复且包含多个名字的列表，问他两个字符之间的那个名字叫啥。
讲道理他们设计的这两个小测试，还是挺有趣的。
然后呢，他们就做了一件看起来特别没有技术含量的事情。
以前我们问模型，是这样问的：
<问题>
他们变成这样然后去对比：
<问题><问题>
一模一样，再来一遍。
中间不加解释，不说please，不说think step by step，不加别的Prompt，不贴示例，就真的只是在原问题后面连着又粘了一次。
然后成功率就暴涨，就是我们开头说的数据，他们自己的原话是：
“据此标准，提示重复在70个基准模型组合中赢得了47个，0个失败。值得 注意的是，所有测试模型的性能都得到了改善。”
在 70 组原始提示词 vs 复制一遍的对比里，这个土味招数赢了 47 次，平了 23 次，一次都没输。
非常离谱。
他们还根据这个复制粘贴大法，搞了一些衍伸Prompt技巧，比如重复三遍啥的，发现效果也会同样变好。
为啥复制一遍，会有效果呢？
论文里面给了一个很工程的解释，大概就是大模型训练的时候，是“因果语言模型”，也就是那种从左往右一个词一个词预测的风格。
当前这个token，只能看到之前的那些，没法提前看到后面的。
所以，当你把问题重复一遍，比如从Q变成Q1Q2，那么Q2里的每一个字，在计算的时候，就能回头看到Q1里的所有内容。
等于给了AI一次“回头看、再思考”的机会。
听着很难理解对吧。
我还是用大白话举个例子。
现在，你给AI一个选择题，这个选择题可能会有点绕：
选项：
如果你现在是AI，你就是一个类似于在看视频字幕的人，当你读到 A、B 的时候，你还不知道当前画面到底谁在左谁在右。你对A、B的第一印象就会很空，像是两个差不多的句子。
等你读到后面的场景说明，你当然知道答案该怎么选，但那个字幕已经过去了，你又没法往回拉进度条，已经没法回头重新读一遍A、B来更新第一印象了。
那我们现在按照论文的做法，把整段复制一遍。
选项：
第二遍的A、B出现时，其实已经包含了第一遍的完整信息，所以模型这次读到选项时，脑子里的小卡片会带着场景条件一起生成。
于是它在最后输出A或B时，能直接调用一份更懂题的选项表征，准确率就更容易上去。
就很像你第一次看《流浪地球2》或者《盗梦空间》，可能第一次很多地方没看懂，但是当你第二次看的时候，你一定会有更加全面、更加新的领悟。
这就是重复的力量。
重复，其实就是给我们，给AI，多一次重来的机会。
而这种Prompt技巧，之所谓对DeepSeek R1这种推理模型没啥用，其实原因也特别简单，很多通过RL微调出来的会推理的模型，其实已经自己学会这个技巧了。
你让它推理的时候，它第一反应经常就是先把问题复述一遍。
你可以仔细回想一下很多模型的回答开头：
“题目问的是……”
“我们需要求解的是……”
“首先我们需要理解题目给出的条件……”
本质上，它已经在自动多抄一遍题目，给自己重新排了次版。
我说实话，我读这个小短文的时候，一直有一个特别强烈的感觉：
我们一直以来，对Prompt工程的想象，一直都太浪漫了。
总觉得好的提示词，应该是：
结构清晰，层层递进，有role、有 rule、有context、有format，有点像咨询公司做的 PPT，一页一页讲逻辑，最后抛给模型一个完美的问题。
过去两年，大模型相关的内容里，Prompt也经常被讲成一种玄学。
写提示词像下咒语一样，要讲究格式、口气、敬语，要学一堆咒语模板，甚至要背prompt手册。
我其实一直都不太提倡，所以前段时间，还写了我自己的所谓的Prommpt心法：
但其实说真的，对很多纯粹的问答场景，尤其是短问题，模型压根不需要你在提示词上搞太多花活。
你只要安安静静，把题目再重复一遍，就已经是一个极其强力的优化。
Google论文里面的未来方向，也写了一些。
比如：把重复提示这件事，写进模型的训练流程里，让模型从预训练或者微调阶段就习惯这种结构；或者只在 KV cache 里保留第二遍的提示，让推理阶段的性能完全不受影响；或者只重复提示词的一部分，而不是整段全文；甚至还可以考虑在多模态里重复，比如图像、视频。
我们总是希望用复杂的语言解决问题，结果发现，有时候最有效的是那句顺嘴又重复的话。
这件事其实跟很多我们熟悉的领域一样。
人类社会其实一直在用复制粘贴这个技能，只不过给它起了很多体面的名字：
复述、强调、排比、朗诵、咏唱、抄经、背诵、晨读、开大会、宣誓、校训等等。
我倒是突然想起一个很私人化的画面。
有一阵我数据确实不是很好，感觉内容怎么写都没人看，方向也有问题，然后本来情绪特别糟糕，还有一堆其他的项目管理的事、各种意外发生、然后身体也不太好。
那天跟朋友聊微信，实在没崩住，哭诉了几句。
对方只发了一句特别简单的话：
“你已经做得很好了。”
我回了一个“哈哈哈，哪有”。
过了几分钟，他又发了一遍，还是同一句。
大概又隔了十几分钟，他第三次发过来：
“你已经做得很好了，真的。”
那一瞬间，我突然就没绷住。
人类的很多情感，其实都是靠重复才能构筑的。
从这个角度看，复制粘贴这事，好像也没那么卑微。
爱一个人是日常的复制粘贴，专业是一辈子的复制粘贴，写作是对一些想法一遍又一遍的复制粘贴，
直到有一天，这些东西都不需要你刻意想起，它们自动从你的手指和眼神里长出来。
AI 的世界，很大一块其实就是压缩过的人的世界。
当你下一次在终端里敲下那一长串Prompt的时候，也许可以在末尾多敲一次 Ctrl+V。
同样，当你下一次觉得人生很乱的时候，也许可以找一两句你真心认同的话，写在记事本、手机备忘录、贴在桌边墙上，反复去看。
从一堆token里看到真正的重点，需要的是几次重复后的清晰。
而从一地鸡毛里看到一点点意义，生活，很多时候也是这样。
高山之流水。
万物皆重复。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言