长期以来，AI 使用的一条黄金法则是：提供充足的上下文，清晰表达需求，不留解读空间。然而，随着 AI 模型推理能力的飞跃，这一原则是否依然适用？Claude Code 创始人 Boris Cherny 指出，新一代模型已具备自主推断能力，用户无需再通过详尽的提示词进行“微观管理”。
为验证这一观点，笔者进行了一项为期一周的实验：在禁用记忆功能的前提下，向 ChatGPT、Claude 和 Gemini 发送完全相同且刻意模糊的指令，涵盖五个日常任务，观察它们如何填补信息空白。
实验设计：五项任务，零上下文
为确保公平，实验选择了五个需要不同技能组合的日常场景，且不预设任何背景信息：
- 购物决策：在电子墨水平板与 iPad 之间做出选择；
- 行程规划：制定为期三天的东京旅行计划；
- 概念解释：解释编程中的“递归”概念；
- 创意构思：提出 YouTube 频道创意；
- 网站构建：创建一个商业网站。
所有回复均由第三方 AI 进行盲测评估，结果与笔者的主观判断基本一致。
Gemini 表现滞后：止步于基础回答
实验结果显示，Gemini 在面对模糊指令时显得最为吃力。虽然它能理解问题，但往往仅提供最基础的通用回答，缺乏深度与主动性。
在解释“递归”时，ChatGPT 提供了可视化演示、代码示例及测试题，Claude 也详细拆解了调用逻辑，而 Gemini 仅停留在简单类比，未提供代码辅助。在购物决策中，ChatGPT 推出交互式问卷，Claude 提供对比分析，Gemini 则仅罗列差异，未能有效辅助决策。甚至在东京行程规划中，Gemini 提供的交互功能还出现了加载失败的问题。
总体而言，Gemini 倾向于“回答问题”而非“完成任务”，在缺乏明确指引时难以提供高价值输出。
ChatGPT 与 Claude：两种不同的填补策略
相比之下，ChatGPT 和 Claude 在弥补信息缺失方面表现出色，但策略截然不同。
ChatGPT：主动出击，减少摩擦。它倾向于直接生成尽可能完整的方案，并通过交互式问卷引导用户细化需求。例如在购物建议中，用户只需点击选项即可获取个性化推荐，无需手动输入额外信息。这种低摩擦体验在多数场景中优势明显，但在“构建商业网站”任务中，ChatGPT 因过早做出假设，生成了一个功能尚可但个性化不足的通用模板。
Claude：审慎提问，精准交付。Claude 更擅长判断何时该提问。在建站任务中，它未在缺乏信息时盲目生成代码，而是先询问企业背景。基于后续提供的细节，Claude 为虚构咖啡店“Brew & Bloom”构建了高度契合需求的网站。这种“先问后做”的策略，在需要高精度的任务中展现了显著优势。
结论：详细提示词并未过时，但门槛正在降低
实验表明，虽然提供详细上下文仍能提升输出质量，但对于 ChatGPT 和 Claude 而言，用户已无需耗费大量精力打磨完美提示词。两者均能通过合理假设或主动提问来填补信息空白。
Gemini 在此类场景下的落后，凸显了其在自主推理与意图揣测能力上的差距。对于追求高效交互的用户而言，选择具备“懂提问”或“少摩擦”特性的模型，比单纯优化提示词更为关键。