大模型规则写法对比：负面禁止与正面引导

一、对比背景：为什么规则写法值得单独讨论

在使用大语言模型构建智能体、代码助手或内容生成流水线时，开发者通常会在系统提示或项目规则文件中写入大量约束，例如“避免使用行业黑话”“不要生成冗余代码”“禁止输出营销话术”。一个常见的困扰是：这些规则明明写了，模型却时常“视而不见”，在快速生成时依然使用被禁止的表达。

造成这一现象的根本原因，在于指令遵循机制存在优先级排序。主流大模型在解析指令时，普遍遵循三条优先级原则：

• 具体性 > 一般性：精确、可枚举的指令比笼统、概括的指令约束力更强；
• 正面指令 > 负面禁止：告诉模型“做什么”比告诉它“不做什么”更容易被执行；
• 前置规则 > 后置规则：出现在上下文靠前位置的规则，比靠后位置的规则权重更高。

当开发者写出“避免技术圈黑话”这类表述时，它同时踩中了两个弱势位置：既是一般性描述，又是负面禁止。模型在高速生成时优先调用训练数据中出现频率最高的表达——恰恰就是那些黑话词汇——而不会在每次输出前停下来判断“这个词是否被禁止”。因此，规则写法的选择不是风格偏好问题，而是在很大程度上决定约束能否稳定生效的技术问题。

本文将围绕两种最具代表性的规则写法展开对比：负面禁止式写法与正面引导式写法，分析它们的相同点、核心差异、适用场景与迁移方法。

二、对象定义：两种规则写法分别是什么

2.1 负面禁止式写法

负面禁止式写法通过列举“不允许出现的行为”来约束模型输出。其典型特征是：

• 以“避免”“不要”“禁止”“不得”等否定词开头；
• 描述对象往往是一个模糊的类别而非具体条目，例如“避免使用黑话”“不要写得太口语化”；
• 通常不提供替代方案，模型只知道“不能做什么”，不知道“应该做什么”。

示例：

避免技术圈黑话。
不要使用口语化表达。
禁止输出营销风格的内容。

2.2 正面引导式写法

正面引导式写法通过定义“期望行为”来塑造模型输出。其典型特征是：

• 以明确的动作指令开头，例如“使用”“替换为”“按照以下方式”；
• 提供具体的、可执行的替代方案，往往附带一对一的映射关系；
• 常与示例、对照表、自检步骤配合，形成“定义—替换—校验”的完整机制。

示例：

涉及跨部门协作时，统一使用"协同"表述。
输出中不得出现下列词汇：打通、拉齐、闭环、抓手、赋能；
若命中，按对照表替换为标准书面语。

需要说明的是，“精确拦截清单”虽然形式上仍以禁止开头，但因为具备了可枚举的具体性，并配套了替换方案，其实际约束力远高于一般性负面禁止，可以视为从负面禁止向正面引导过渡的中间形态。

三、相同点分析

两种写法在目标与运行机制层面高度一致，主要体现在四个方面：

1. 目标一致：都是为了约束模型输出风格，保证内容符合团队规范或产品要求；
2. 载体一致：都可以写在系统提示、项目规则文件、技能模块或记忆文件中，作用范围取决于挂载位置；
3. 依赖上下文：二者都受位置效应影响，越靠近生成时刻、越靠前的规则越容易被遵循；
4. 需要持续维护：随着业务词汇和表达习惯变化，两种写法都需要定期更新规则内容，不存在“一次配置、永久生效”的方案。

四、核心差异分析

4.1 约束机制：排除式与塑造式

负面禁止式是“排除式”约束：它在模型的候选输出空间中划掉一片区域，但不指明剩余区域该往哪里去。模型被排除掉习惯表达后，只能自行猜测替代方案，猜测结果不稳定，容易在长文本中回退到高频表达。

正面引导式是“塑造式”约束：它直接给出目标表达，相当于在输出空间中标出一个明确落点。模型无需额外推理，沿映射关系直接替换即可，输出稳定性显著更高。

4.2 具体性程度与优先级表现

“避免黑话”是一个开放集合，无法穷举；而“禁止使用以下若干个词汇”是一个封闭集合，可枚举、可校验。根据“具体性>一般性”的优先级原则，可枚举清单在指令竞争中天然占据更高权重。同理，根据“正面指令>负面禁止”原则，“用XX替换XX”的指令权重高于“不要用XX”。负面禁止式写法在这两条排序中同时处于弱势，这正是它容易被忽略的结构性原因。

4.3 可校验性

负面禁止式规则难以自动化校验：无法简单判断一段输出是否“太口语化”。正面引导式规则配合对照表和自检指令，可以在生成后执行机械检查：扫描输出是否命中清单词汇，命中则按表替换。这使得规则从“靠模型自觉”变成“可程序化兜底”，即使模型偶有疏漏，也能通过后置自检环节补救。

4.4 维护成本与覆盖范围

负面禁止式写法短小、覆盖面广，一句话可以覆盖所有未知表达，维护成本低，但收效有限；正面引导式写法需要逐一枚举、建立映射、维护示例，前期投入较大，但每一条规则都切实生效。实践中通常以正面引导作为主干，辅以一张精确拦截清单处理长尾风险，在投入与效果之间取得平衡。

4.5 对规则组织结构的要求

正面引导式写法要求规则文件具备良好结构：核心规则前置、按主题分节、长规则拆分为短段落、关键约束在相关章节附近重复出现。这是因为“前置规则>后置规则”，如果全部约束堆在文件末尾，等效权重会大幅下降；超长段落还会稀释单条规则的显著性。负面禁止式写法对此不敏感，但也正因为不敏感，容易被埋没在长上下文中而失效。

五、对比表格

对比维度	负面禁止式写法	正面引导式写法
指令形式	“不要/避免/禁止+模糊类别”	“使用/替换为+具体方案”
具体性	低，开放集合	高，封闭集合或明确映射
指令优先级	弱（负面+一般性双重弱势）	强（正面+具体双重优势）
输出稳定性	不稳定，长文本易回退	稳定，可复现
可校验性	难以自动检查	可清单扫描、可程序化兜底
维护成本	低但收效有限	前期较高，长期可控
覆盖范围	广但模糊	窄但精确
适用定位	兜底性补充	规则文件主干

六、典型场景选择

不同场景下，两种写法的适用性存在明显差别：

1. 风格强约束场景（如技术文档生成、对外发布内容审核）：优先正面引导式。需要定义理想风格、提供正反示例、建立词汇对照表，并附加生成后自检指令，形成多层约束。
2. 长文本生成场景：模型距离规则文本越远，遵循度越低。应在相关章节附近重复关键约束，并将长规则拆分为短段落，配合定期刷新记忆机制，避免规则被后续上下文稀释。
3. 快速原型或低风险内部工具：可以使用简单的负面禁止式规则起步，降低前期投入；一旦进入生产环境或内容直接面向用户，应尽快升级为正面引导式。
4. 高频词汇风险场景：当模型对某些行业惯用表达有强烈生成倾向时，必须使用精确拦截清单，并将清单置于所有写作规则的最前面，利用前置优先级放大约束力。

七、选型建议

综合来看，两种写法并非互斥，而是分层配合的关系：

• 主干用正面引导：为每类内容定义理想风格、提供正面示例、给出惯用表达到标准书面语的一对一映射，让模型“有章可循”；
• 前置精确拦截：将可枚举的禁用词汇清单以绝对化表述写出，放在规则文件最前端，形成第一道精确防线；
• 后置自检兜底：在规则末尾追加生成后自检指令，要求模型输出前扫描禁用清单，命中即按对照表替换；
• 分层组织规则：按主题分节、短段落、关键规则在多处重复出现，充分利用前置优先级。

条件化判断：若团队追求输出风格高度一致且内容直接面向用户，正面引导式几乎是必选项；若仅用于内部低风险场景，负面禁止式可作为过渡方案，但需要接受偶发的规则失效。

八、迁移与使用注意事项

从负面禁止式迁移到正面引导式时，建议关注以下事项：

1. 词汇清单先行：先梳理历史输出中高频出现的违规表达，形成封闭清单，再逐条建立替换映射，避免一次性重构带来的遗漏；
2. 规则位置调整：将核心约束从文件末尾迁移到文件头部，并按主题拆分，避免超长段落稀释权重；
3. 保留原禁止语义：迁移不是删除旧规则，而是把“不要用XX”改写为“用YY替换XX”，原有意图完整保留；
4. 建立回归验证：准备一组固定测试输入，每次修改规则文件后重新生成，检查清单词汇命中情况，防止改写引入新的回退；
5. 定期刷新记忆：长期会话或长期挂载的规则文件应定期重建或重申，防止规则在长上下文中被弱化；
6. 避免规则冲突：多条规则同时存在时，确保它们在优先级排序上不互相矛盾，例如不要在正面引导之后又追加模糊禁止，导致指令竞争。

九、示意性示例：一份结构化的规则文件

以下给出一份简化的规则文件骨架，展示正面引导式写法的组织方式：

# 一、最高优先级：精确拦截清单
绝对禁止在输出中使用以下任何词汇，无论任何场景：
打通、拉齐、闭环、抓手、赋能、沉淀……（按团队实际梳理）
# 二、强制替换对照表
打通 → 连接 / 建立
拉齐 → 统一 / 同步
闭环 → 完整流程 / 完整验证
抓手 → 着力点 / 方法
赋能 → 支持 / 增强
# 三、理想风格定义
使用准确的书面语；句子简洁；先结论后展开；
每个技术判断都附带理由或示例。
# 四、生成后自检
输出前逐条扫描第一节清单；
若命中，按第二节对照表替换后再输出。
# 五、场景细则
（按文档类型、代码注释、发布说明等分别细化）

该骨架体现了三个关键点：精确清单前置、映射表紧随其后、自检指令收尾，与三条优先级原则一一对应。

十、总结

负面禁止式与正面引导式写法的本质差异，在于前者依赖模型“自我审查”，后者为模型“铺设轨道”。受“具体性>一般性、正面指令>负面禁止、前置规则>后置规则”三条优先级原则支配，一般性负面禁止在快速生成场景中最容易被忽略，而具体化、正面化、前置化的规则组合能获得更高的遵循度。实践中应以正面引导式作为规则主干，辅以前置精确拦截清单和生成后自检机制，形成“定义—替换—校验”的完整约束体系，从而在大模型应用中获得稳定、可控、符合规范的输出质量。