企业官网建设流程全解析

1. 为什么你的输出总是“泛泛而谈”：问题根源与设置思路

先问你一个问题：你是不是也遇到过这种情况——让 AI 帮你写一份市场分析，结果它洋洋洒洒交出来 2000 字，看起来逻辑通顺、层次分明，但你仔细一读，通篇都是“市场需求持续增长”“竞争格局不断变化”“未来潜力巨大”这类放到哪个行业都能用的废话？你追问两句，它就开始跟你绕圈子，给不出具体数据、给不出明确结论、给不出能直接落地执行的步骤。

这种事情我碰到太多次了。一开始我也以为是模型能力不够，后来踩过无数坑才反应过来：问题大概率不在模型身上，而在“设置”上。说得更直白一点，你给模型的约束不够狠，它就按概率给你凑一段“最像样的普通回答”；你给了它足够精准的约束，它才能给你足够精准的输出。这不是玄学，是提示词工程里最基本的逻辑。

这篇文章要分享的，就是一套我反复验证过的 22 步完整框架。目标很明确：用 30 分钟时间，完成一套针对输出精准度的终极设置，让模型以后给你的回答不再是“万金油”，而是“这个场景下就该这么写”的高质量内容。适合谁看？写过提示词但总觉得效果差一口气的人、被泛化回答折磨过多次的从业者、以及所有想让 AI 产出真实可用内容的人。

在动手之前，我建议你先想明白一个前提：这套框架解决的是“输出不够精准”的问题。如果你的需求本身就很模糊，或者你根本不知道什么叫“精准”，那后面 22 步里有 20 步都是在浪费时间。所以第一步，先搞清楚问题的病根到底在哪。

1.1 泛化回答的三种典型症状

泛化回答不是一种表现，而是三种，你对照一下自己遇到的属于哪一种。

第一种叫“全行业通吃”。你让它分析奶茶行业，它能给你一套“消费升级驱动市场扩容”的分析；你让它分析芯片行业，它还是给你这套。这种回答的结构和结论完全脱离具体行业特征，拿掉任何一个限定词都成立，就是典型的“没有真正进入场景”。

第二种叫“正确的废话”。这种回答挑不出错误，信息全部正确，但没有任何增量。比如你问“如何提升客户满意度”，它告诉你“要了解客户需求”“要优化服务流程”“要建立反馈机制”。你没法说它错，但你也拿不到任何能直接用的东西。这种的迷惑性最强，因为它看起来专业，实际上一文不值。

第三种叫“模板化结构”。无论你问什么，它都是“首先……其次……最后……”，或者“背景—现状—问题—建议”四段式。如果你让它写方案，它永远给你一个工整的框架，但内容空洞到只能靠凑字。

如果你发现自己遇到的输出同时具备这三种特征中的两种以上，那你需要的不是更好的模型，而是一套更严格的约束机制。

1.2 精准度问题的本质：你缺的不是模型，是约束

为什么同样的模型，有人用来写方案能直接交付，有人用来写方案只能拿到一堆骨架？差别不在运气，在约束密度。

给你打个比方。你在路边问路，问“怎么去那家吃饭的地方”，对方大概率给你指个大概方向；你问“我要去 500 米内评分 4.5 以上、人均 80 以下的川菜馆，步行怎么走最快”，对方给你的就是一条可以直接执行的路线。模型也是一样，它的默认行为是在概率空间里找最平滑的路径，你给的约束越模糊，它走的就越像“大路”，而“大路”往往就是泛化回答。

所以，精准输出不是靠“运气好”，而是靠“约束工程”。具体来说，约束分四个层面：

• 目标约束：你要什么，什么叫“好”，你得先说清楚。
• 格式约束：输出长什么样、用什么结构、包含哪些必填信息。
• 参数约束：温度、采样方式、长度控制，决定模型是“收敛”还是“发散”。
• 反馈约束：验证输出、记录失败、持续迭代，让设置越来越好用。

把这四层约束做扎实，泛化回答自然销声匿迹。下面要讲的 22 步，就是把这四层约束逐项落地，每一步都有明确目的。

1.3 30 分钟怎么分配最合理

很多人一想到“22 步”就觉得耗时巨大，其实真正熟练以后这套流程 30 分钟绝对够用。时间花在哪里？

前 5 分钟做需求准备：想清楚你经常遇到的泛化场景是什么，挑一个最痛的先下手。中间 15 分钟做设置：系统提示词重写、参数调整、上下文清理、自检机制注入。最后 10 分钟做验证：跑一次旧任务，对比输出质量，把结果和问题记录下来。

为什么强调一次只聚焦一个场景？因为约束是越具体越有效。你做一个“全能的精准助手”提示词，不如做三个“单场景特化助手”提示词。后者看似要多花时间，实际上每个场景的精准度都远高于前者。

2. 动手前先做三件事：环境与需求准备

很多教程上来就让你写系统提示词、调参数，但我不一样。我建议你在动手设置之前，先花 5 分钟做好三件准备工作。这三件事不做好，后面的设置都是无根之木。

2.1 明确一个场景，追求“单点精准”

你先想清楚一个问题：当前最让你头疼的泛化输出，出现在哪个场景里？是写周报？写产品需求文档？做竞品分析？还是写代码注释？

我不管你选择了哪个，我只建议你——一次只对一个场景做设置。为什么？我试过把“写报告定稿”“写代码”“做翻译”三个需求塞进同一条系统提示词里，结果就是三个场景全都泛化。原因特别简单：模型为了让三个需求都能用，只能选择每个场景的“最大公约数”，而最大公约数就是模板化结构。

如果你确实有多个高频场景，我的建议是每个场景单独保存一条设置，互相不干扰。就像你手机里有多个导航目的地，每个目的地单独设置路线，你不会把去公司和去电影院设置成同一条路线。

这里我做一个表格，把混合场景和单场景做个对比，你看完就懂为什么一定要单点精准。

看到了吗？贪多求全，是你泛化的第一个敌人。

2.2 建立输出基准线：先测一次现状

什么叫基准线？就是你在动手设置之前，先用目前的方法跑一个任务，记录下输出质量的具体情况。没有基准线，你就无法判断设置后到底是变好了还是变差了，后续迭代全凭玄学。

具体做法：拿一个你最近真实遇到的、让你不满意的任务，直接跑一次。然后给自己打三个分。

• 信息密度（0-5 分）：输出里有多少是别人不知道的、具体的、可验证的信息？全是套话给 0 分，每句话都有信息增量给 5 分。
• 可执行性（0-5 分）：拿到这份输出，你能直接照着做吗？还是得自己再加工一遍？能直接指导行动给 5 分。
• 风格匹配（0-5 分）：输出语气、结构、用词，像不像你这个领域里资深人士写的？

三个分数相加，如果你的总分低于 12 分，值得做完整套 22 步设置；如果已经超过 12 分，说明你的问题可能出在别的地方，比如任务本身太模糊。

我记得我第一次做这项测试时，三项总分只有 7 分。信息密度 2 分（几乎没有具体内容）、可执行性 2 分（还得自己重写一遍）、风格匹配 3 分（勉强及格）。看到这个分数，我才下决心把整套框架走完。

2.3 准备 3 到 5 个高质量范例

这是很多人忽略的关键步骤。所谓高质量范例，就是“你希望模型输出的样子”。它的作用不是给模型参考，而是给模型“锚定”一个风格和深度的基准，让模型明白你要的不是普通回答，而是这种水准的回答。

范例从哪里来？三个渠道：

1. 过去人工写作的精品内容，比如你或同事曾经写过的、广受好评的一份报告。
2. 历史对话中你最满意的一次输出，不管是不是当前模型给的，只要符合你的期望就行。
3. 公开渠道的好内容，比如行业里公认写得好的分析文章、文档。

范例的数量，我建议控制在 3 到 5 个。不是越多越好。范例太多会干扰模型注意力，让模型在多个风格里左右摇摆；范例太少又不足以锚定风格。我曾经一次塞进去 8 个范例，模型倒是学会了不少风格，只是每一次给出都像是在模仿最近的那个范例，前后一致性反而差了。

把范例准备好之后，还要给每个范例剪掉冗余信息，只留“可复制的结构”和“典型表达”。比如范例是 8000 字的深度报告，你不用整篇塞进去，截取其中最能体现你要求的部分就行，比如它的开头切入方式、它的结论句式、它穿插数据的方式。

3. 22 步框架上半程：目标锁定与系统提示词工程

准备工作的三件事做完，我们正式进入 22 步框架。整个框架我分成三段来展开：上半程负责系统提示词（第 1～6 步），中程负责参数与上下文（第 7～16 步），后半程负责验证与沉淀（第 17～22 步）。别嫌步骤多，每一步都不长，但每去掉一步，精准度都会掉一个档次。

3.1 第 1 步到第 3 步：先把“精准”定义清楚

第 1 步：写下一句话的“精准成功标准”。

你希望 AI 输出变成什么样？请用一句话写下来。比如“精准 = 每段都有具体数据或案例支撑，结论直接回答我提出的问题，不铺垫不绕弯”。再比如“精准 = 输出最终能直接复制粘贴进周报，不需要我再改一个字”。这句话是所有后续设置的最高纲领。每次你拿不准某个规则要不要加进去，就问自己：这个规则服务于我的成功标准吗？不服务就删掉。

第 2 步：盘点你历史上三次低质量输出的共同特征。

把你过去最不满意的三次输出拿出来，找它们的共同点。是太长？是缺少数据？是语气不对？还是结构永远一样？这些共同特征就是你后面要重点封锁的错误路径。比如我自己的历史失败三连是：开头必有一段背景铺垫、中间必有“值得注意的是”这种连接词、结尾必有“综上所述”。发现之后，我把这三条全部列进“禁用行为”清单。

第 3 步：把场景边界写出来，不允许模型跨出边界。

明确告诉模型：“本次任务只做 X，不做 Y，不需要 Z”。比如你做竞品分析，你要告诉它：“只分析竞品 A 和竞品 B 的产品功能差异，不做市场规模预测，不下战略结论”。为什么要写得这么死？因为模型默认有“过度服务”的倾向，你不限制它，它就什么都想给你分析一下，结果就是每个方面都沾一点、每个方面都不深入。

3.2 第 4 步到第 6 步：系统提示词的骨干与“反泛化指令”

第 4 步：把准备好的 3 到 5 个范例放进去。

具体放哪里？放在系统提示词的“输出参考”段落。我会在下面给出一个可以直接改的模板，你把自己的范例替换进去就行。

第 5 步：给模型安排一个“具体角色+具体任务”的骨架。

这里有个很多人写错的点：角色不是越强大越好。你写“你是一名资深行业分析师”，效果远不如“你是一名专注消费电子行业的资深分析师，做过至少 5 年竞品拆解”。角色越清晰，模型的调用知识范围就越收敛。然后紧接着写任务：“你的任务是把给定素材转化为一段 500 字内的竞品功能对比结论，要求每条结论都有素材中的原文依据”。

这个“角色 + 任务”的骨架，就是要模型从“什么都知道”切换到“只知道这个场景”的工作状态。

第 6 步：注入“反泛化指令”，建立禁用词表。

这一步是整个框架里我认为最直接见效的，也是最常被人忽略的。什么是反泛化指令？就是把泛化回答里最常见的“套话词”和“虚浮结构”明确列为禁止项。

给你一个我常用的启动模板：

你是[具体角色]，任务是把[输入]转化为[产出]。 输出必须直接进入核心内容，禁止出现以下行为： - 禁止使用“随着……的发展”“总而言之”“综上所述”“值得注意的是”“众所周知”等套话开头或收尾。 - 禁止铺垫背景，禁止重复问题描述，除非收到明确指令。 - 禁止使用无信息量的抽象词（如“一定程度的提升”“多维度优化”“系统性解决方案”），必须替换为具体数字或具体操作。 - 如果某个结论缺乏依据，直接在句中标注“（待补充依据）”，不要用模糊表述掩盖。

为什么禁用词表这么有效？你想想模型的生成机制，它是按概率逐个选词的。如果你不禁止“综上所述”，模型在结尾时就会高概率选择这个词，因为它在海量文本中见得太多了，早已形成路径依赖。你把这条路径挖掉，模型就不得不寻找不那么常用的、但更贴合内容的表达。本质上，你在模型生成的道路上挖了几个坑，逼它不走捷径、走窄路，而窄路往往才是精准的路。

这里有一条我的实操心得：禁用词表不要一刀切，只禁“空话型”的词汇，不要禁功能性词汇。我早期曾经把“可以”“需要”也禁了，结果输出干巴到没法读，那属于用力过猛。你要记住，禁用词的目的是挤掉水分，不是让句子骨折。

4. 22 步框架中程：参数与上下文管理的 10 个关键开关

如果你认为设置系统提示词就够了，那就错了。系统提示词回答的是“模型应该说什么”，参数和上下文回答的是“模型应该怎么说才更稳”。这两层配合，一个保内容方向，一个保生成稳定性，缺一不可。

4.1 第 7 步到第 11 步：用参数把模型“收住”

第 7 步：把示例（Few-shot）放到对话末端。

很多人把示例放到了系统提示词里，这种做法有没有用？有用，但效果不是最优。纯靠系统提示词里的文字描述，模型只能理解你的要求；而在最近一轮对话里放上示例，模型能“看见”一个完整的输入输出对，模仿的效果会强得多。我的习惯是：每轮真实对话开始时，先把 2 到 3 组“输入→输出”示例作为参考放进去，再隔一行写“以上是参考示例，下面请处理真实任务”。这个小小的位置调整，带来的精准度提升很明显。

第 8 步：温度调低，但别一次拉到底。

温度这个参数直观理解是“模型回答的随机性”。温度高，它就会发散，尝试更多偏门表达；温度低，它就收敛，走最常见、最稳的路径。对大多数需要精准输出的场景，我建议 0.2 到 0.3 之间。但注意，温度调得太低，比如 0.1，反而可能导致模型在系统提示词定义的框架里“过度模板化”，连句式都开始雷同。我自己用下来 0.2 是一个不错的黄金点。

第 9 步：Top P 设到 0.8～0.9，和温度搭配使用。

Top P 是“核采样”：只从累积概率占 80%～90% 的候选词里选词，剩下的低概率长尾词直接排除。它的作用和温度类似，但手感不一样。温度是全局“捏紧/放松”，Top P 更像一个过滤器，把奇怪的小概率词汇先挡在外面。两者配合，既稳又不至于死板。我一般固定 Top P 为 0.85，再微调温度。如果你用某个平台，发现温度已经到 0.2 了输出还是飘，就检查一下 Top P 是不是被设成了 1.0。

第 10 步：Max Tokens 不要给太宽裕。

你可能觉得输出长度给的多总没坏处，实际上坏处很明显：长度越宽裕，模型越从容，就越容易把篇幅花在废话上；长度紧凑，它就得精打细算每个字。比如你要求它输出“500 字以内的结论”，就可以把 Max Tokens 设为 700 左右，逼它别废话。但这里有个平衡，给太紧会导致内容被迫截断，所以要在你的目标字数基础上乘 1.2 到 1.4 倍，留出呼吸空间。

第 11 步：加一条“第一句进入主题”的硬性约束。

这一条不属于系统提示词正文，而是输出要求里的一条：模型的第一句话必须直接给出结论或核心信息，禁止任何形式的背景介绍和过渡。这一招对“泛化”特别有杀伤力。因为很多模型的开场白都是“在现代商业环境下，企业面临着……”，你让它第一句就给结论后，它能铺垫的空间被大幅压缩，后续内容想泛化也泛化不起来。

4.2 第 12 步到第 16 步：上下文清理、结构模板与自检机制

第 12 步：清理历史对话，不相关的全部丢掉。

你每次开启新任务，先把旧的、无关的历史对话清空，只保留当前任务需要的上下文。为什么？因为模型会把历史对话中的提示也继承下来。你之前聊过天气，它后面就可能在正式回答里莫名带一句“今天的天气适合户外活动”。上下文不干净，精准度一定受损。这和写作一样，桌面堆满杂物，你写出来的东西也容易跑题。

第 13 步：一次只处理一个任务，保持“单线程”。

很多人习惯在同一个对话里连续问多个不同问题：先让它写周报，再让它翻译一段话，再让它给代码提 bug。这种用法不仅破坏模型当前的工作状态，更容易让它在后续回答中混淆“你刚才说的是哪个任务”。我推荐的用法是：每个大任务单独开新对话，把任务背景和系统提示词一并带上。虽然稍微麻烦一点，但输出质量稳定得多。

第 14 步：规定输出结构，越具体越好。

你要在系统提示词里告诉模型输出必须包含哪些结构，否则它默认会用自己的理解组织。我最常用的结构约束写法是：本次输出必须按以下结构组织：1. 核心结论（不超过 3 句话）；2. 关键依据（列出至少 3 条有出处的证据）；3. 可执行动作（给 2～3 个可以直接做的操作清单）。如果某部分没有内容，直接写“无”，不允许编造。这样看起来不像文章，但胜在信息密度高，一眼能抓到重点。

第 15 步：指定术语表和语气风格。

如果你所在领域有特定术语，把这些术语列进系统提示词的“必用术语”清单，并要求模型优先使用。同时指定语气：“语气中性客观，不夸张，避免营销腔”。比如你做法律文书，你可以写“必须使用法律文书标准术语，避免日常口语表达”。这些细颗粒度的语言约束，是防止模型偷偷滑回普通聊天文风的关键。

第 16 步：强制自检：“先出要点，再展开，最后一句总结”。

这里说的自检，不是让模型跳出角色（那是另一种技巧，不要混用），而是让它先压缩再展开。具体在输出要求里加一句：

在输出正文之前，先列出本次回答的 3 个要点；然后按要点逐一展开；全部结束后用一句话总结核心结论。

为什么要这么做？因为“先列要点再展开”会迫使模型在彻底展开之前，先在思维层面确定一条主线。有这个主线存在，模型跑题的概率大幅降低。很多泛化回答之所以没有重点，就是因为没有主线引导，想到哪写到哪。

这一步做完，你已完成 16 步。到这里，系统提示词、参数、上下文三个维度都已经完成设置。大多数人的问题在补齐这三层之后就解决了，输出精准度会有肉眼可见的提升。但如果你想要长期稳定，就一定要把接下来的 6 步做完。

5. 22 步框架后半程：验证、迭代与提示词资产沉淀

最后 6 步属于“长期主义”的范畴。它们不会在第一次设置后立刻让你看到奇迹，但会在一个月、三个月后持续发挥作用，让你再也不用回到“重新折腾一遍提示词”的循环里。

5.1 第 17 步到第 19 步：让设置可维护、可对比、可复盘

第 17 步：给你的系统设置“存版本”。

第一次设置完成后，立刻把系统提示词全文复制到文档里，标明 V1、日期、核心用途。不要只存一份，每次修改都要存新版本。这个习惯救过我很多次：有时候我调了一版参数，当时觉得变好了，但用了一个礼拜后觉得不太对劲，想看回之前的设定，才发现自己没有存档，只能从零开始重写。

我总是定期整理我的提示词文档，结构是：“用途 → 版本 → 日期 → 系统提示词全文 → 参数配置 → 备注”。备注里写这次改了什么，以及为什么改。

第 18 步：A/B 测试，比出新设置是不是真的好。

不要凭感觉判断新安装置是否有效，你要拿数据说话。做法是：用同一个测试任务，跑“旧设置版本”和“新设置版本”，各跑 5 次，对比它们的平均表现。对比维度就是第 2 步让你打的那三个分：信息密度、可执行性、风格匹配。5 次取平均，新版本比旧版本总分高 2 分以上，才算真的有效。

可能你觉得 5 次太麻烦，但我跟你讲，只跑一次得出的结论极不靠谱。模型是概率性的，就算同一个设置同样的任务，两次输出也会有波动。不取均值，你就是在拿偶然当必然。

第 19 步：建立“失败案例表”，只记反面样本。

每一次输出让你觉得不满意的，不要悄悄删掉对话就完事，把这个案例记进一个文档里，记录三件事：任务是什么、设置版本是什么、失败的表现是什么。积累到 20 个案例左右，你会发现一个让人惊讶的事实：你的失败案例大多集中在少数几个特定模式上。比如“问得太宽泛”“材料给得太少”“要求里出现了歧义词”等等。这些才是你真实工作流里的短板，比任何理论都值得你优化。

5.2 第 20 步到第 22 步：周期性校准与建立个人提示词库

第 20 步：每周做一次“回归测试”。

这里借用软件测试的术语。你再过一段时间就会发现一个问题：模型平台升级后，以前精准的提示词，输出的风格可能会漂移。上周还好好的，这周突然又开始“工业风”了。解决办法是固定每周五，用你第 18 步建立的固定测试任务跑一遍，看分数有没有下降。如果下降了，说明你的提示词可能需要微调来适应当前版本的模型行为。这个习惯每周只花 10 分钟，但能让你永远都在“稳”的状态里，而不是等到某天真正交付时才发现输出质量已经失控。

第 21 步：保留上一次成功的设置，随时快速回滚。

任何一次调整，在没经过 A/B 测试确认为更优之前，都不应该覆盖原设置。我实际的做法是：当前正在用的版本存在“正式版”槽位，新改的版本存在“试验版”槽位。只有当试验版连续两周跑出更好的成绩，才晋升为正式版，旧正式版降级为“历史稳定版”。这样你随时能回到上一个可用状态，不会因为一时手滑把整个系统搞崩。

第 22 步：把验证过的设置沉淀成个人提示词库。

当你用这套框架调好一个场景后，不要满足于此。用同样的方法论，逐步覆盖你的高频场景：周报、需求分析、会议纪要、竞品拆解。每个场景一套验证过的完整设置，统一命名规则，比如“周报-v3-已校准”“需求分析-v2-0620”。三个月后，你就是一个拥有一整箱趁手工具的从业者了。以后任何任务，直接调用匹配的设置，不用再从零开始问“我该怎么写提示词”。

这最后一步，本质上是把一次性劳动变为资产积累。很多人的提示词停留在“今天改一点、明天改一点”的散沙状态，无法复用，无法传承，每次都要重新开始。你要跳出这个循环，唯一的路径就是像维护代码库一样维护提示词库。

6. 常见问题排查与独家避坑心得

框架讲完了，但根据我过去辅导各位同行互动的经验，一定会有人做完 22 步之后发现效果不佳。在这里我把几个高频排查点和自己踩过坑补上，帮你省一大段摸索时间。

6.1 温度设到 0.1 还是泛化？问题多半不在参数上

如果你的系统提示词写的很泛，比如“你是个专家，请给我一些专业建议”，那即使你温度调到 0.1，模型依然会输出泛化回答——因为它只是在“平庸的常见路径”上走得更稳更确定。温度解决的是“发散”问题，解决不了“约束缺失”问题。所以每次遇到这种情况，先检查系统提示词里有没有第 6 步的禁用列表、第 14 步的结构约束、第 11 步的第一句硬性要求。这三样都没做，你的参数再低都没用。

6.2 我踩过的三个坑，你一定要避开

第一个坑：范例塞太多，输入污染了输出。我有个阶段为了让模型“学得更好”，一次放进去 10 组示例，结果模型开始模仿最后一组示例的风格，而且上下文焦点被示例占据，导致真正任务的处理变得浮于表面。后来我减少到 3 组，而且选择了和目标任务场景最接近的三组，效果反而变好了。实操中，示例质量 > 示例数量，每个示例都应该选风格、深度、格式最接近目标输出的那个。

第二个坑：禁用词表太激进，内容被“憋伤”。一开始我连“可以”“建议”“需要”这种词都禁掉，结果模型输出变成了一堆名词拼凑的便签，根本没法阅读。后来我意识到，禁用词表只用来针对性打击“空话型词汇”和“套话连接词”，而不是把所有高频词都封杀。你要做的是挤水分，不是砍骨架。

第三个坑：改了参数忘记回测，凭感觉调参越调越差。有一阵我觉得温度 0.4 可能输出更活泼，就把温度调高了，结果输出的确活跃了很多，但信息密度降得不能看。当时没有做 A/B 测试，我还凭感觉觉得“更生动了”，直到团队里的人反馈说“这个输出不够专业”，我才发现问题。现在任何参数变更，都必须跑一次固定任务做对比，这是纪律。

6.3 排查速查表

这张表不敢说覆盖所有情况，但九成以上的泛化问题，都能在表里找到对应解法。你把整表打印下来贴在显示器上，遇到问题对表操作，比自己苦思冥想高效得多。

最后再说说我的个人体会。整套 22 步框架看似步骤多，真正熟练之后，每次给一个新场景做配置已经压缩到半小时以内。我自己的实际案例：在一次项目交付中，我需要让模型每天输出一份竞品功能对比，优化前每个版本都要人工改 2 小时，用完整套设置后基本看不出来是机器写的，只需要做事实校核。这套框架不是让你一次做到完美，而是让你每次都有明确的改进方向。下次你的输出又开始“泛泛而谈”的时候，记住一句话：不要怪模型，去检查你给它的约束够不够狠。从第 1 步开始，逐项过一遍，精准度一定回得来。