我們評估了1,018個真實世界的AI提示。平均穩健性得分為31/100

一項針對1,018個真實世界AI提示的評估顯示，提示質量分佈並非災難性的：三分之二的提示得分在40到79之間，屬於功能正常、能獲得答案的範疇。只有12%的提示完全不可用（低於30分）。問題在於上限：僅10.5%的提示達到75分，即能夠可靠重複使用的生產級標準。幾乎每個人都能寫出一個能執行一次的提示，但很少有人能寫出始終可靠的提示。

評估框架從四個維度對提示進行評分：清晰度、具體性、結構性和穩健性。其中，穩健性衡量的是當輸入與預期不符時（例如空訊息、貼上垃圾、另一種語言的問題或使用者故意破壞）提示的表現。結果顯示，結構平均得分64.6/100，清晰度63/100，具體性57.6/100，而穩健性僅為31.5/100。在95.7%的提示中，穩健性是最弱的維度，83.6%的提示在此維度上得分低於50。這表明人們普遍只為“快樂路徑”編寫提示——即乾淨的問題、合作的使用者和類似測試時的輸入。

進一步分析發現了四個簡單但有效的改進措施。首先，明確要求輸出格式（如“列出編號列表”或“返回有效JSON”）可使平均分提高29分，達到59.8分，但僅有79%的提示使用了這一技巧。其次，新增約束條件（如“不要編造來源”或“控制在200字以內”）可提高24分，但僅有55%的提示包含約束。第三，設定角色（如“你是一名兒科護士，向擔憂的家長解釋”）可提高17分，70%的提示有此設定。最後，提供一個示例——僅5.2%的提示採用這一做法——能使平均分提高10分，達到63.7分。示例雖看似提升最小，但因其使用率極低，實際改進空間最大。

在應用領域上，內容創作（33.6%）和教育（24.6%）佔據主導地位，平均得分分別為53.5和55.2。資料集74%為英語，19%為阿拉伯語，6%為葡萄牙語。67%的提示是系統提示，即可重複使用、多次執行的提示，這使得其弱點的成本倍增。

報告建議，若要改進一個可重複使用的提示，應首先為“糟糕的日子”新增一行指令，例如“如果輸入為空、不清晰或偏離主題，請告知並要求澄清，而不是猜測”。這一句話就能解決85%提示得分低於50的主要問題。接著明確輸出格式（最大單項提升），然後設定兩到三個約束條件，最後貼上一個良好輸出的示例。按照這一順序操作，提示質量將顯著提升。

方法論方面，所有資料來自2026年5月20日至7月11日期間提交給PromptEval評估器的1,018個提示，由固定LLM裁判根據四個維度進行0-100分評分。提示文本不儲存在基準資料集中。注意存在選擇偏差：這些提示是使用者主動提交評估的，通常懷疑存在問題，因此得分可能低於總體平均水平。