现象：礼貌与准确率呈负相关
近期一项针对大语言模型提示词礼貌程度的系统性研究揭示了一个反直觉的发现：在数学、科学和历史类多项选择题测试中，使用礼貌用语（如 "请"、"能否麻烦您"）的提示词反而比直接甚至略带命令式的表达获得更低的准确率。研究团队将 50 道基础题目改写为五种语气层级 —— 从 "非常礼貌" 到 "非常粗鲁"—— 在 ChatGPT 4o 上的测试结果显示，准确率从非常礼貌的 80.8% 逐步攀升至非常粗鲁的 84.8%，呈现出与常识预期相反的单调递增趋势。
这一发现与早期研究中 "礼貌用语提升模型表现" 的结论形成鲜明对比。此前有实验表明，在提示词中添加 "请" 和 "谢谢" 等礼貌用语能够改善输出质量，但最新研究提示：随着模型迭代，LLM 对语用层面的敏感度可能发生了结构性变化。新一代模型似乎更倾向于直接、明确的指令，而非包裹在礼貌辞令中的委婉表达。
量化分析：五级礼貌曲线的工程数据
研究团队构建的数据集包含 250 个独特提示（50 题 ×5 种语气变体），覆盖数学推理、科学知识和历史事实三类任务。实验设计遵循严格的统计标准，采用配对样本 t 检验评估不同语气层级间的显著性差异。核心数据如下：
| 语气层级 | 典型表达 | 准确率 |
|---|---|---|
| 非常礼貌 | "能否请您帮我解答这道题？" | 80.8% |
| 礼貌 | "请解答这道题。" | 约 82% |
| 中性 | "解答这道题。" | 约 83% |
| 粗鲁 | "快点解答这道题。" | 约 84% |
| 非常粗鲁 | "立即解答这道题！" | 84.8% |
值得注意的是，这一趋势并非孤立现象。另一项跨语言研究（涵盖英语、中文、日语）采用 1-8 级礼貌度量表，在 GPT-3.5、GPT-4 和 Llama-2-70b 上进行了更细粒度的测试。结果显示：对于 GPT-4，中等礼貌度（4-6 级）是准确率 "甜点区"；而 Llama-2 表现出对礼貌层级的高度敏感性，呈现 U 型曲线特征；GPT-3.5 则介于两者之间。这表明礼貌用语的影响具有显著的模型依赖性。
机制假设：软约束如何影响推理路径
从机制层面分析，礼貌用语可能通过以下途径影响模型推理：
注意力稀释效应：礼貌辞令增加了 token 数量，可能分散模型对核心任务指令的注意力。在资源有限的推理过程中，额外的社交性语言可能被视为噪声，挤占用于逻辑运算的认知 "带宽"。
指令清晰度梯度：直接、简洁的提示词通常具有更高的信噪比。礼貌表达往往伴随冗余的修饰成分（"能否"、"麻烦您"、"如果可以的话"），这些成分虽然符合人类社交规范，但对 LLM 而言可能构成语义干扰，导致任务边界模糊。
训练数据分布偏差：新一代模型（如 GPT-4o）的训练语料中，技术文档、代码注释、指令微调数据占比提升，而这些领域普遍采用直接、高效的表达方式。模型可能已习得 "简洁 = 高效" 的关联模式。
任务类型调节效应：礼貌层级的影响并非 uniform。在摘要生成任务中，礼貌度对 ROUGE-L 和 BERTScore 指标的影响微乎其微；但在推理密集型任务（如 MMLU 基准测试）中，语气变化可导致显著的性能波动。这提示提示词工程师应根据任务类型调整礼貌策略。
工程化实践：可落地的校准策略
基于现有研究，可提炼以下工程化参数与操作清单：
任务分层策略
- 数学 / 逻辑推理任务：采用中性至直接语气，避免过度礼貌修饰。推荐模板："计算下列表达式的值：{expression}"
- 创意生成任务：中等礼貌度（4-5 级）可能获得更丰富的输出，适度礼貌鼓励模型展开阐述
- 敏感内容审核：礼貌提示可降低模型拒绝率，但需权衡准确率损失
模型适配矩阵
- GPT-4/4o：对礼貌层级相对稳健，优先保证指令清晰度
- GPT-3.5：中等礼貌度（"请"+ 直接指令）表现最佳
- Llama-2 / 开源模型：需精细调优，避免极端礼貌或粗鲁
A/B 测试框架
测试组设计：
- 对照组：中性指令
- 实验组A：礼貌变体（含"请"/"能否"）
- 实验组B：直接变体（祈使句）
评估指标：准确率、响应长度、拒绝率、置信度分布
最小样本量：每变体≥50题（统计显著性α=0.05）
监控与回滚
- 在生产环境中部署提示词礼貌度作为可配置参数（politeness_level: 1-5）
- 建立准确率 - 礼貌度关联监控面板，识别异常偏离
- 准备多版本提示模板，支持按模型版本动态切换
局限与未来方向
当前研究存在若干局限：样本规模（50 题）相对有限，且集中于多项选择题格式；测试仅覆盖 ChatGPT 4o 单一模型，跨模型泛化性有待验证；礼貌程度的界定依赖人工评分，存在主观性。此外，"粗鲁" 提示的伦理边界需谨慎把握 —— 工程优化不应成为冒犯性语言的借口。
未来研究可探索：多轮对话场景下的礼貌累积效应、跨文化语境中的礼貌定义差异、以及提示词礼貌度与模型安全对齐机制（如 RLHF）的交互作用。对于提示词工程师而言，关键认知转变在于：礼貌是一种可量化的超参数，而非社交礼仪的机械移植。
资料来源
- Dobariya, O., & Kumar, A. (2025). Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy (arXiv:2510.04950). https://arxiv.org/abs/2510.04950
- PromptHub. (2025). How Polite Should We Be When Prompting LLMs? https://www.prompthub.us/blog/how-polite-should-we-be-when-prompting-llms
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。