指令设计两种范式辨析

Sun, 12 Jul 2026 15:24:15 +0800

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

指令设计 on 靖待

指令设计两种范式辨析

问题

详细指令

抽象指令

对比

结论