问题
在一个垂类大模型任务上进行快思考模式的优化，指令设计一般有两种思路。
- 详细指令，包括各种约束、具体推理步骤等。
- 抽象指令，只给出任务目的。
举个栗子：
假如需要通过sft微调营养方面垂类大模型，让它能生成个性化饮食方案。
指令A：
请根据以下需求生成饮食方案，必须包含：1. 每日总热量及三大营养素分配（碳水/蛋白/脂肪克数及占比）2. 三餐+两次加餐的具体食物清单（含分量克数）3. 烹饪方式建议 4. 水分摄入推荐 5. 营养素补充剂建议 6. 禁忌食物列表。
指令B：
请给我一份针对该需求的饮食方案。
哪种指令更好？
从SFT数据构造的角度，先思考一个问题：两种指令对SFT数据量分别要求多少？
我们假定营养饮食场景有八大分类：减脂、增肌、糖尿病、妊娠期、老年人流食、儿童、术后恢复、抗炎饮食。
详细指令
详细指令会在Prompt中固化单品类场景专属的推理步骤、模块顺序、必填字段、行文规范、输出约束。
模型学习的不是这种任务的通用能力，而是这一套固定步骤对应的文书模板填充规则。
如果SFT数据里缺少"妊娠期"样本，当用户输入孕产需求时，详细指令强制输出"三大营养素配比"。模型没有对应的训练记忆，只能在已有样本中找最像的，比如减脂样本最多，于是输出40:30:30。
为了覆盖全部8个场景，每个场景200~500条高质量标注样本（精确克数、食物替换、烹饪方式）
总数据量：8×500=4000条起步
缺任何一个场景，该场景的生成结果就是"格式正确但营养错误"。
详细指令SFT的优势是单品类输出非常标准、零错乱、高合规、格式统一。但代价是数据体量庞大、品类覆盖成本极高、新场景冷启动极慢。
抽象指令
抽象指令不固化任何文书品类的写作步骤与固定模板，仅定义顶层目标。根据用户提供的零散素材与核心信息，结合通用规范，生成结构完整、逻辑通顺、合规标准、贴合场景的专业内容。
抽象指令不强制输出配比数字，只要求"给一份方案"。
当用户输入"怀孕22周"时，模型靠预训练阶段读过的营养学教材、膳食指南、孕妇饮食科普文章自动激活妊娠期相关知识——它不需要SFT数据教会它"孕妇吃多少碳水"，它只需要知道"哪些词指向哪类场景"。
SFT只需要教会模型三件事：
- 用营养师的口吻说话（“建议"而非"你必须”）
- 方案的结构感（早餐/午餐/晚餐/加餐的区隔）
- 适度的专业度（提及GI值、DHA、膳食纤维等功能术语） 只需要覆盖3种基础场景（比如减脂、糖尿病、老年人流食），共600~1500条数据，模型就能泛化到全部8类。未覆盖的妊娠期场景，模型输出可能没有"精确的配比百分比"，但食物选择方向完全正确：增加全谷物、搭配优质蛋白、补充叶酸铁剂、规避生食和酒精。
抽象指令数据量级需求小、品类覆盖成本低、迭代速度快，但短板明显：单品类输出稳定性不足、细节可能不严谨、行文风格不统一，在高合规、强标准化的场景中存在落地风险，无法直接用于高精度正式输出。
对比
| 对比维度 | 详细指令 | 抽象指令 |
|---|---|---|
| 文书品类覆盖要求 | 必须全场景全覆盖，缺一不可 | 只需核心场景，支持小众场景泛化 |
| 单品类样本量级 | 大，需要高密度结构化样本拟合步骤 | 小，少量差异化样本即可习得通用逻辑 |
| 跨品类迁移能力 | 无，品类能力完全隔离 | 强，通用场景能力全局复用 |
| 新增品类数据成本 | 极高，需从零标注微调 | 极低，多数场景无需新增数据 |
| 整体SFT数据体量 | 极大，多场景叠加、同质化冗余多 | 偏小，样本利用率高、无冗余 |
| 落地适配性 | 合规稳定、制式标准、成本高、迭代慢 | 泛化强、成本低、存在格式细节风险 |
结论
- 采用详细指令，没覆盖的场景错误率（无中生有概率）极高
- 为了保证模型在不同场景的泛化性，最好采用抽象指令
- 场景数量需求：详细指令远大于抽象指令
- 数据量级需求：详细指令远大于抽象指令
- 详细指令用数据量、场景覆盖度换稳定性与合规性；抽象指令用细节精度、输出稳定性换数据效率与泛化能力