同一句提示词丢给 Claude Opus 5.5 和 Claude Sonnet 5.5让它们各自做一期测评视频。我原以为最多就是措辞有点差别结果两个模型交出来的东西从开场方式到信息密度从画面逻辑到解说语气几乎是两个方向的产物。这个实测过程挺有意思也让我对“提示词工程”这件事有了更具体的判断标准——模型不是提示词的镜子而是有自己脾气的解读器。最近社区里流行“鹈鹕测试”就是用同一个荒诞提示词去测不同视频模型看谁能还原出画面。这次我做的其实有点类似但目标不是画面还原度而是视频脚本的内容风格。我想知道同一个“测评视频”需求在被两个不同层级的模型理解时到底会被拆解成什么样。结果出炉之后我反而觉得最有价值的不是谁强谁弱而是这种差异本身就是一套活生生的提示词工程教材。1. 实验起因为什么我要让 Opus 和 Sonnet 做同一期测评1.1 背景我一直在找“模型性格”的量化方法做了小半年 AI 视频脚本辅助我手里的工作流基本稳定了用大模型出结构用剪辑工具拼素材再用配音软件生成旁白。但有一个问题始终绕不过去——同一个提示词在 Claude 的不同型号上跑出来经常不太一样。以前我以为是随机性后来发现不对哪怕把温度调到接近 0差异依然明显。这让我怀疑是不是模型本身就有“性格”正好最近灰度环境里同时放出了 Opus 5.5 和 Sonnet 5.5我就想做一个对照实验。实验不复杂给它们一个完全一样的提示词要求输出一期视频测评脚本。唯一变量就是模型本身这样产出的风格差异就能直接反映两个模型的“脾气”。1.2 提示词设计如何保证“同一句”且可执行如果你做过类似实验就会明白最忌讳的是提示词写得太短比如只说“帮我写个测评视频”这样模型的发挥空间太大得出的差异会有很多偶然因素。所以我特意把提示词写得“像真人工作需求”一样包含了任务背景、目标观众、时长要求、内容模块以及一点语气倾向的限制。我实际使用的提示词如下原样你是一位拥有 10 万粉丝的科技测评博主。请为某款新发布的智能手表写一期 15 分钟的视频测评脚本。要求有吸引人的开场能留住观众包含外观质感、核心功能实测、续航表现、优缺点总结、购买建议五个部分语气自然不要像书面报告适合视频口播结构完整可以直接拍摄需要标明画面和配音内容结论要明确不说模棱两可的话。这个提示词不算长但约束条件足够多。为了公平我没有追加任何“请用xxx格式”之类的说明也没有提供参考样本。两个模型都在同一个 Web 对话窗口内新建会话参数保持默认我只截取第一轮输出不做追问修正。1.3 实验前我预设的几种可能说实话在做实验之前我脑子里有三个预设判断预设一Opus 5.5 更强所以它的脚本会更严谨、更长Sonnet 5.5 会显得更短、更模板化预设二Sonnet 5.5 因为是轻量版可能更擅长口语化表达反而更贴近“视频口播”需求预设三两者都差不多差异仅限于细节用词整体结构不会差太多。后来事实是我的预设一和预设二各对了一半而预设三完全错得离谱。两个模型都把任务理解成了完全不同的东西——Opus 把“测评视频脚本”理解成一个“视频制作项目”Sonnet 则理解成了一次“和观众唠嗑的直播提案”。这种差异不是优劣而是他们对“测评视频”这四个字的心理模型完全不同。2. 两个产出从结构到语气的细节差异2.1 开场方式悬念式 vs 打招呼式Opus 5.5 的开场是这样的画面暗色背景一只手表的手部特写屏幕亮起显示心率波形。配音我手上这块表很可能是今年最被低估的智能穿戴设备。你们都在关注那款炒上天的旗舰但真正的惊喜往往藏在不声不响的产品里。Sonnet 5.5 的开场则完全不同画面博主半身像手持手表对着镜头笑。配音嘿朋友们今天咱们不废话直接看这块表到底值不值得买。我等了一个多月终于拿到手了开箱那一瞬间我就觉得这期视频有戏。两种开场都很“吸引人”但方向完全不一样。Opus 用的是悬念和反差制造一种“很多人不知道”的信息差Sonnet 用的是亲和力和情绪拉近与观众之间的距离。如果你是一位导演你会意识到这其实是两条不同的叙事策略一条是理性种草一条是感性互动。2.2 结构组织分镜脚本 vs Vlog 笔记更明显的差异在整体结构上。Opus 5.5 严格遵循了我提示词里“需要标明画面和配音内容”的要求它输出的是标准的分镜脚本每一段都有时间码、画面描述、景别建议、配音台词。比如它写外观部分00:45 - 01:30 产品外观展示 画面从产品包装盒缓缓抽出手表镜头沿表盘边缘绕一圈特写表带材质。 配音表体用的是钛合金中框重量只有 39 克。我特意查了官网数据它的厚度比上一代薄了 0.7 毫米。佩戴感受只有一个词——轻盈。Sonnet 5.5 则几乎无视了“画面”这个要求它输出的更像是第一人称的 vlog 笔记。虽然内容也分了段落但没有时间码画面描述也很粗糙大量篇幅都在写博主自己的感受和吐槽。Sonnet 的外观部分写的是我先说第一眼的感受这个表盘真的比官网上好看照片拍不出来。我特意晚上关灯看了一下屏幕亮度很足而且表带是那种亲肤的硅胶戴一下午也没有闷汗的感觉。唯一的小吐槽就是表带偏紧我手腕算细的了还是有勒痕。从执行角度看Opus 的脚本可以直接拿去拍摄每个镜头怎么拍都标清楚了Sonnet 的脚本更像是一个思路清单你需要自己二次转成具体分镜。如果我是单人创作者我甚至会觉得 Sonnet 更好用因为它更像“人话”但如果你带着一个剪辑师团队Opus 的效率优势就体现出来了。2.3 数据与体验的权重分配在“核心功能实测”这个环节两个模型的差别更是离谱。Opus 5.5 像是读了很多评测报告它会把心率监测、GPS 定位、睡眠分析都拆开讲每个功能都会给出具体的测试方法、数据误差范围甚至还在括号里标注了“建议使用对照设备交叉验证”。Opus 的实测段落示例核心功能一心率监测 实测场景佩戴手表进行 30 分钟慢跑同时佩戴专业心率带作为对照。结果手表全程平均心率 152 次/分心率带为 150 次/分误差 1.3%。 结论在稳定运动场景下这颗传感器的准确度属于第一梯队完全能满足普通跑者需求。Sonnet 5.5 走的完全是另一条路线它把功能测试变成了“我的一天”我带着它睡了一觉睡眠数据倒是挺准的它居然能记录出我凌晨三点半醒了那一小会儿。后来我去健身房撸铁心率直接飙到 180屏幕上那个跳动的小图标特别带感。老实说我没有横向对比过专业设备但用起来的感觉就是——它比我的上一块手表靠谱太多了。同样一个“实测”要求Opus 在追求可验证性Sonnet 在追求真实感。如果你做的是硬核评测类视频Opus 的数据化输出几乎可以直接用如果你做的是日常分享类视频Sonnet 那种“感觉流”反而更容易引发弹幕互动。2.4 结尾与购买建议的收束方式在结论部分两个模型的收束逻辑也截然不同。Opus 给出了一个明确但克制、同时考虑不同人群的建议综合评分8.7 / 10 适合人群日常运动爱好者、追求长续航的通勤用户、希望体验健康监测但不想花大价钱的专业设备用户。 不适合人群需要离线音乐播放入口、对屏幕像素密度有极致要求的用户。 一句话这是一款定位精准、水桶效应明显的产品它不完美但在它的价位段里几乎没有对手。Sonnet 的结尾则是典型的“带货式”表达值不值得买我的答案是如果你正在用五年前的老手表直接换别犹豫如果你刚买了上一代旗舰又不是特别在意那几个新功能那可以再等半年。反正我是打算长期用了这期视频要是点赞过五千我后续就出一期深度使用月报咱们到时候再做一次更真实的汇报。可以看到Opus 会给自己留有余地给出分层结论Sonnet 则希望激发观众的反馈用互动数据反向推动内容延续。这两种结尾放在视频平台上其实都有各自的粉丝群体。对比维度Claude Opus 5.5Claude Sonnet 5.5开场策略悬念、反差制造信息差打招呼、拉近距离结构形式标准分镜脚本时间码画面配音Vlog 风格笔记强调个人感受信息组织分功能拆解附带测试数据和结论按时间线叙事穿插体验和吐槽科学严谨性高有对照组意识低偏主观体验剪辑友好度很高可直接照着拍较低需要二次加工观众互动感以内容说服观众以情绪感染观众购买建议分层、条件式建议冲动式建议互动钩子3. 同一个提示词为什么被解读成两个方向3.1 从输出反推两个模型的能力侧重点如果你只看最终产物可能会怀疑是不是提示词出了什么问题。但我的看法是提示词没有任何歧义它明明写了“适合视频口播”、“标明画面和配音内容”。为什么 Opus 完美执行了画面和时间码Sonnet 却中途跑偏这只能从模型本身的侧重点去解释。从现有信息猜测Opus 5.5 的训练目标应该更强调“指令遵循”和“结构化任务拆解”。它把整个测评视频当成一个项目管理先搭框架再填内容所有要求都像被装进了清单。而 Sonnet 5.5 在推理深度上确实不如 Opus但它的对齐重点可能更偏向“对话的自然感”和“内容的有趣性”。于是它优先满足了“语气自然”、“不像书面报告”牺牲了结构上的精确控制。这其实和 Claude 的老定位一脉相承——大杯咖啡更浓中杯咖啡更顺口。但这次实验让我意识到“浓”和“顺”不只是口感差异而是真的会导向完全不同的产物形态。3.2 提示词里的“测评视频”其实有多层理解我再仔细审视了一下我写的提示词发现一个有趣的细节我问的是“写一期视频测评脚本”但并没有定义“脚本”到底是什么。对做过视频的人来说脚本可以是分镜脚本也可以是旁白稿还可以是内容大纲。这个歧义在人类创作者身上同样存在只不过人类通常会看一眼你过去的视频风格自动脑补而模型没有这个上下文。Opus 5.5 选择了“脚本分镜脚本”这个最常见的职业解释Sonnet 5.5 则选择了“脚本旁白内容拍摄想法”这个更随性的解释。本质上它们都理解了我的字面需求只是对“脚本”这个词的默认预设不同。这也解释了为什么很多人抱怨“同一个提示词为什么换了个模型效果就变了”。因为提示词里的每一个名词在不同模型的词向量空间里激活的邻居节点都不一样。你把“脚本”两个字喂进去它背后连着的可能是“分镜”、“场记”、“时间码”也可能是“口播”、“节奏”、“语气词”。3.3 模型各自的“人设”是训练出来的不是临时演的我做了一个额外测试把 Opus 的输出重新喂给 Sonnet让它评价这段脚本风格。Sonnet 说“这个脚本很像职业导演写的很专业但缺一点自媒体的味道”。然后我把 Sonnet 的输出喂给 OpusOpus 的评价是“内容挺有趣但结构松散镜头语言不完整需要后期补不少策划工作”。你看模型自己都能意识到对方和自己是不同风格。这说明它们的差异是烙在参数里的不是随机抽卡抽出来的。平时我们用 ChatGPT 或者其他类产品其实不太容易感知这种差异因为大多数工具都做了很多隐藏的后处理试图输出“最安全”的答案。但 Claude 的模型性格相对鲜明尤其是 Opus 和 Sonnet 放在一起对比时风格断裂感特别强。我觉得这不是坏事反而好用——你可以根据任务类型有意识地去调动不同性格的模型。3.4 用人类创作团队类比你会更容易理解我自己的制片经验里同样一份创意简报给统筹策划写给出镜博主写得到的东西经常天差地别。策划会画流程图、写时间表、标好拍摄场次博主会写“这里我想出个镜说一句什么话最好拍得生活一点”。Opus 就是那个策划Sonnet 就是那个博主。所以我们不必要求两个模型产生一样的输出那是违背天性的。正确的使用方法是像带团队一样把任务交给更擅长的那一方或者明确告诉“策划属性的人”这次不要画流程图用博主的方式说话。关键在于你要先知道自己正在和哪个属性的人沟通。4. 这套对比给我哪些提示词工程上的教训4.1 输出格式写在开头比写在任何地方都有效这次实验最直接的教训是如果你真的需要某种格式别指望模型猜你要在最开始就锁定它。我虽然写了“标明画面和配音内容”但这句话混在了一大堆要求里位置偏后。Opus 读到了Sonnet 大概是忽略掉了。修正的办法很简单把格式要求提到指令最前面并给出一个明确的样本结构。比如请严格按以下格式输出测评视频脚本 【开场 0:00-0:30】 画面... 配音... 【外观 0:30-1:30】 画面... 配音... 内容必须覆盖外观、功能、续航、优缺点、购买建议。这样哪怕 Sonnet 再想自由发挥也会被格式本身的重复结构给“框”住。经过我后来的验证加了前置格式的 Sonnet 输出结构完整度明显提升虽然语气还是轻快但至少不会把画面描述丢掉。4.2 用“防跑偏条款”锁定关键约束所谓“防跑偏条款”就是主动告诉模型“你千万不要做什么”。人类创作者也有这种习惯比如你给剪辑师说“不要加花字特效不要加背景音”对方就会下意识更专注在画面上。在这次提示词里我应该加一句“不要写成分镜列表以外的东西不要出现个人感慨式的独立段落所有内容都要落到画面和配音上。”这句话能压制 Sonnet 的叙事冲动让它从“我的一天”回到“测评脚本”的语境。当然防跑偏条款不能太多写多了模型会陷入“过度防御”输出变得干巴巴。一般控制在 2-3 条以内用“不要做什么”的方式写清楚即可。4.3 不要指望一个通用提示词能适配所有模型这个观点可能有点反直觉因为很多人都在追求“万能提示词”想一套提示词在所有模型里通吃。但通过这次实验我认为这是一种幻觉。模型有自己的默认人设和训练偏差完全相同的提示词在它们眼里天然的权重分配就是不同的。如果你的工作流固定使用某个模型那没关系你可以慢慢调出一套属于它的提示词。但如果你像我一样经常切换模型就需要准备多个“版本”的提示词。比如我会存两个模板一个“Opus 严谨版”强调数据、结构、格式一个“Sonnet 亲和版”强调互动、语气、场景感。需要哪个就用哪个不再做无效沟通。4.4 我修正后的提示词模板已经实测可行受这次结果的启发我把模板做了拆分现在分享出来供参考。注意这里我以“智能手表测评”为例你可以把产品名替换成任何对象。Opus 严谨版提示词请为【某款智能手表】生成一期 15 分钟的视频测评脚本。严格按以下结构输出每个部分都要有时间码、画面描述、配音台词不要遗漏。 【开场】0:00-0:40 【外观与质感】0:40-2:30 【核心功能实测】2:30-8:00分成心率、GPS、睡眠三个子项每项包含实际测试方法、数据对比、结论。 【续航表现】8:00-11:00 【优缺点总结】11:00-13:00 【购买建议】13:00-15:00 语气保持专业客观但不要太死板适当加入一些有信息量的比喻。Sonnet 亲和版提示词用“我拿到手的那一刻”的口吻为【某款智能手表】写一个测评视频的口播稿时长 15 分钟。要求像对着镜头和朋友聊天多分享实际体验和真实吐槽。内容顺序自己安排但必须覆盖长得好不好看、用起来顺不顺手、续航到底怎么样、和上一代有什么差别、最后明确说值不值得买。不要写成分镜脚本不要罗列参数表格把参数自然地融进体验描述里。这些模板不是万能药但至少能让你在切换模型时少踩一些“风格翻车”的坑。5. 我的融合方案把 Opus 的骨架和 Sonnet 的血肉拼到一起5.1 为什么我不选二选一而是做融合先说结论如果你发一个平台、目标观众比较固定那选其中一种风格就够了。但如果像我一样需要同时兼顾 B 站深度观众和抖音泛流量那融合是更好的选择。我仔细看了看两个输出发现 Opus 的底子更像“长视频测评”信息密度高适合会认真看完 15 分钟的老粉Sonnet 的底子更像“短视频种草”三句话不离互动适合刷到就看个乐子的路人。我这次测评的产品是一部智能手表既有硬核参数又有生活场景所以两种基因都需要。5.2 具体融合步骤我的做法很简单分成三步。第一步用 Opus 的输出搭骨架。我保留了它的时间轴结构、功能拆分顺序、数据化的实测方法和结论尤其保留了那个“心率误差 1.3%”的段落这是硬核观众最看重的信任点。第二步用 Sonnet 的输出补血肉。我把 Sonnet 里的“晚上关灯看屏幕”、“表带勒手”、“半夜醒来被手表记录”这些细节改写成一个一个的“个人体验插曲”嵌入到 Opus 的结构里。比如Opus 的“外观与质感”部分是这么写的外观钛合金中框39 克重量比上代薄 0.7 毫米。我融合后变成外观钛合金中框39 克重量比上代薄 0.7 毫米。你光看参数可能没概念我打个比方它戴在手上就像一片稍厚的创可贴睡觉翻身时基本感觉不到存在。而且我特意晚上关灯看了一眼屏幕亮度自动调低之后依然清晰这一点真挺关键——很多手表晚上抬手看时间会把眼睛闪瞎这块不会。第三步再用 Opus 的逻辑把整个脚本检查一遍把 Sonnet 里容易“过油”的表述压一压确保结论部分不掉进情绪化。最后把每段开头渲染成 Sonnet 那种互动式起手让节奏更年轻。5.3 融合后脚本的亮点与实测效果融合后的脚本我实际拍了一期十来分钟的样片发在个人频道后数据比前几期都有提升。评论区里出现两种典型反馈老粉说“你们这期数据够硬没有像以前那样飘着”新粉说“虽然我不懂参数但能听进去不枯燥”。这就是我想要的平衡。如果只看内容的话融合版里有一个我特别喜欢的段落就是测试 GPS 时我沿着公园跑道跑了一圈手表显示 2.01 公里手机 App 显示 1.98 公里误差 30 米。Opus 原版写的是“误差 1.5%”Sonnet 原版写的是“我觉得挺准的跑了两回都一样”。我把它们放在一起说我跑了一圈公园手表记了 2.01 公里手机 App 记了 1.98 公里。说实话这种误差我根本感知不出来但它能让我出门跑步不带手机也不慌这就是这块表对我最大的意义。这种表达既有数据支撑又有情感落脚点融合的价值就在这里。6. 最后再分享一个关于“模型分工”的心得踩过这么一回坑之后我现在的习惯是在任务开始前就想清楚哪个环节更适合哪个模型。出大框架、写参数、做结构化脚本优先找 Opus想开头引入、写互动语、做临场发挥Sonnet 反而给得更快。这不是说 Sonnet 不如 Opus而是它们根本就是两种工种。另外如果你也想自己复现这个实验建议不要只盯着最终输出多观察过程。两个模型在生成中段的停顿位置也不太一样Opus 经常在换章节之前“想”很久Sonnet 更像一口气顺下来。虽然我看不到它们的内部计算但这种行为差异会直接影响你后续交互的节奏判断。说到底提示词工程不是为了把一个模型驯化成另一个模型而是为了顺应它本来擅长的方式把它的潜力引出来。下次再把同一句提示词发给不同模型时别急着抱怨输出不好试着想想如果它是个真人我会怎么改一下需求让它听懂我的话思路一旦换过来你能调教好的就不只是 AI 了。