我们评估了1,018个真实世界的AI提示。平均稳健性得分为31/100

一项针对1,018个真实世界AI提示的评估显示，提示质量分布并非灾难性的：三分之二的提示得分在40到79之间，属于功能正常、能获得答案的范畴。只有12%的提示完全不可用（低于30分）。问题在于上限：仅10.5%的提示达到75分，即能够可靠重复使用的生产级标准。几乎每个人都能写出一个能运行一次的提示，但很少有人能写出始终可靠的提示。

评估框架从四个维度对提示进行评分：清晰度、具体性、结构性和稳健性。其中，稳健性衡量的是当输入与预期不符时（例如空消息、粘贴垃圾、另一种语言的问题或用户故意破坏）提示的表现。结果显示，结构平均得分64.6/100，清晰度63/100，具体性57.6/100，而稳健性仅为31.5/100。在95.7%的提示中，稳健性是最弱的维度，83.6%的提示在此维度上得分低于50。这表明人们普遍只为“快乐路径”编写提示——即干净的问题、合作的用户和类似测试时的输入。

进一步分析发现了四个简单但有效的改进措施。首先，明确要求输出格式（如“列出编号列表”或“返回有效JSON”）可使平均分提高29分，达到59.8分，但仅有79%的提示使用了这一技巧。其次，添加约束条件（如“不要编造来源”或“控制在200字以内”）可提高24分，但仅有55%的提示包含约束。第三，设定角色（如“你是一名儿科护士，向担忧的家长解释”）可提高17分，70%的提示有此设置。最后，提供一个示例——仅5.2%的提示采用这一做法——能使平均分提高10分，达到63.7分。示例虽看似提升最小，但因其使用率极低，实际改进空间最大。

在应用领域上，内容创作（33.6%）和教育（24.6%）占据主导地位，平均得分分别为53.5和55.2。数据集74%为英语，19%为阿拉伯语，6%为葡萄牙语。67%的提示是系统提示，即可重复使用、多次运行的提示，这使得其弱点的成本倍增。

报告建议，若要改进一个可重复使用的提示，应首先为“糟糕的日子”添加一行指令，例如“如果输入为空、不清晰或偏离主题，请告知并要求澄清，而不是猜测”。这一句话就能解决85%提示得分低于50的主要问题。接着明确输出格式（最大单项提升），然后设置两到三个约束条件，最后粘贴一个良好输出的示例。按照这一顺序操作，提示质量将显著提升。

方法论方面，所有数据来自2026年5月20日至7月11日期间提交给PromptEval评估器的1,018个提示，由固定LLM裁判根据四个维度进行0-100分评分。提示文本不存储在基准数据集中。注意存在选择偏差：这些提示是用户主动提交评估的，通常怀疑存在问题，因此得分可能低于总体平均水平。