你的 prompts 存在 vendor lock-in 问题，而且它隐藏在 plain text 中
Source: Dev.to
背景
我已经为 Claude 编写提示词一段时间了，使用诸如 、 和嵌套结构的 XML 标签。效果很好。当我把相同的提示词拿到 GPT‑4 上使用时，它们表现不佳且容易崩溃，于是我把所有内容重构为 Markdown，加入粗体标题，并将章节扁平化。这在 GPT‑4 上效果不错，但在 Claude 上却降低了性能。这不仅是个人问题——研究表明这是一种系统性现象。
Sclar 等人（ICLR 2024）测量到，从提示模板中移除冒号会导致 LLaMA‑2‑13B 的准确率从 82.6 % 降至 4.3 %。He 等人发现，一个模型家族的最佳格式与另一个模型家族的最佳格式的重叠度不足 20 %。这种现象常被称为 prompt sensitivity、prompt brittleness 或 model drifting，但本质上是类似软件模块耦合的问题。
简短版
你的提示词与模型之间的耦合方式，就像函数与另一个模块的私有内部耦合一样。它在当前依赖下工作良好，但一旦换了依赖，一切就会崩溃，而原因往往隐藏在格式上，肉眼难以察觉。
行业案例
- Aider 在一个 2,718 行的 YAML 文件中提供了 313 条模型特定配置。大多数模型收到的系统提示是 “You NEVER leave comments describing code without implementing it!”，而 Claude‑3.7‑sonnet 则得到相反的指令，展示了不同模型之间相互矛盾的期望。
- Claude Code 默认只能与 Claude 配合使用。开发者构建了代理层、Node.js monkey‑patches 和 Ollama 兼容层，以使其能够在其他模型上运行。一些厂商现在支持 Anthropic 的 API 架构，以捕获 Claude Code 的用户群。
- Cursor 明确告诉用户在提示词表现不佳时 “switch to a different model and try again”，直接承认了耦合问题。
工具生态
我调研了十一款针对提示工程不同方面的工具：
- DSPy – 优化提示内容。
- Guidance – 限制模型输出。
- PromptLayer – 对提示进行版本管理。
- Braintrust、Humanloop、Maxim AI、MLflow、Prompty、Promptomatix – 提供追踪、评估或工作流功能。
这些工具都没有处理 结构化格式 在不同模型之间的差异，生态中仍然缺少这一环节。
我的解决方案：promptc
我构建了 promptc，一个透明的 HTTP 代理，位于你的应用与模型 API 之间。它会根据目标模型的偏好（例如 XML ↔ Markdown、章节顺序、分隔符切换）重写提示结构。可选的第二遍处理可以使用本地 Ollama 模型，将诸如 “Let’s think step by step” 之类的短语转换为 “ 块。
主要优势
- 对现有代码无需任何改动。
- 配置简洁：设置
ANTHROPIC_BASE_URL=http://localhost:4000并运行即可。
正式化
我撰写了一篇论文，对该耦合问题进行形式化描述，借鉴了 Larry Constantine 1974 年结构化设计工作中的耦合分类（内容耦合、公共耦合、数据耦合等）。论文包括：
- 对问题的完整分析。
- 对现有工具的调研。
- 对 Aider、Claude Code 和 Cursor 的案例研究。
论文： sharma2026_prompt_coupling.pdf
代码：
欢迎反馈——尤其是那种 “你错了，因为……” 的评论。