要让 ChatGPT 标注不确定信息，不能只写“如有不确定请说明”，而要同时规定判定条件、标签体系、标注位置和处置动作。有效的提示词应要求它区分已知事实、合理推断与无法确认的信息，并为每处不确定内容说明原因、置信程度及核验方式；无法验证时，明确禁止补全或猜测。

一个可直接采用的基础要求是：回答时将确定事实、推断结论和未知信息分开表达；凡是缺少依据、存在多种解释、可能随时间变化或超出材料范围的内容，必须就近标注“不确定”，说明不确定原因，并给出核验建议。这个框架比单纯要求“谨慎回答”更容易得到稳定结果。

## 一、先明确什么信息需要标注不确定

很多提示词没有生效，不是因为 ChatGPT 不愿意标注，而是“不确定信息”的定义过于模糊。模型看到“请确保准确”“不要胡编”“不确定就说明”这类要求时，仍然需要自行判断哪些内容算不确定。判断标准没有写清，它就可能只在完全不知道时提示，却把推测、过时信息和条件性结论当成普通事实输出。

因此，提示词中的第一项任务不是设计标签，而是明确触发标注的条件。通常有四类内容应被纳入。

第一类是**缺少直接依据的信息**。例如，用户只提供了一段项目说明，却要求判断项目延期的真实原因。材料中可能提到人员变动和需求调整，但没有证据证明哪一个是主要原因。此时可以提出可能性，不能直接写成已经确认的结论。

第二类是**依赖实时状态的信息**。价格、政策、职位、产品功能、库存、组织架构、赛事结果等都可能发生变化。如果 ChatGPT 无法访问最新数据，或者用户没有提供当前资料，就应标注信息可能过时，而不是用一个看似精确的答案掩盖时间边界。

第三类是**存在多种合理解释的信息**。比如分析一句话的真实意图、判断某次沟通失败的责任、推测用户流失的原因。这些任务并非完全不能回答，但答案通常属于解释或假设，需要明确“根据现有信息推测”，而不能包装成事实。

第四类是**要求精确数字但没有可靠数据的信息**。市场规模、成功率、转化率、成本、工期和概率都容易出现虚构精度。若没有数据来源，模型最多只能给出估算思路、影响因素或区间假设，不应自行生成一个确定数字。

可以在提示词中直接写明：

**以下情况必须标注不确定：缺少直接证据；信息可能随时间变化；现有材料支持多种解释；需要外部数据才能确认；只能依据常识或间接线索推断；无法确认具体数字、时间、主体或因果关系。**

这段要求的价值在于把“不确定”从一种语气偏好变成可执行的判断规则。ChatGPT 不必猜测用户对谨慎程度的期待，只需逐项检查回答中的信息是否触发了这些条件。

还要明确一个边界：**不确定不等于错误，确定也不等于真实。**模型给出的标签只是基于当前上下文、已有知识和任务条件做出的自我评估，不能替代事实核查。提示词可以改善表达透明度，减少把推测写成事实的情况，但无法保证模型准确识别自己的全部错误。

## 二、把标注要求写成四层约束

一条有效的提示词，至少应包含判定、分级、位置和处置四层约束。只写其中一层，输出往往不够稳定。

### 判定约束：什么情况下必须标

判定约束负责定义触发条件。除了前文提到的证据不足、时效变化和多种解释，还可以针对具体任务增加条件。

如果是文档总结，可以要求：“不得使用文档之外的信息补齐背景，材料未提及的内容标为‘材料未提供’。”

如果是数据分析，可以要求：“相关性不能直接表述为因果关系；样本量、统计口径或数据来源不清时，结论标为‘证据不足’。”

如果是政策或规则咨询，可以要求：“无法确认适用地区、版本、生效时间或例外条款时，不得给出确定判断。”

判定条件应与任务风险匹配。普通头脑风暴没有必要逐句标注，而医疗、法律、财务、合规、合同和重大经营决策等高风险任务，应采用更严格的触发标准。风险越高，越要减少模型自行填补信息的空间。

### 分级约束：不确定到什么程度

只使用一个“不确定”标签，虽然简单，但无法区分轻微保留和完全未知。更稳妥的做法是设置少量等级，并给每个等级规定明确含义。

| 标签 | 适用条件 | 允许的表达方式 | 后续动作 |
|---|---|---|---|
| 已确认 | 可由用户材料或明确证据直接支持 | 作为事实陈述，同时说明依据范围 | 无需额外推测 |
| 较可信 | 有较强依据，但仍存在条件限制或时效风险 | 使用“根据现有信息”“在该条件下”等限定语 | 建议核对关键条件 |
| 推测 | 依据间接线索、常识或有限样本得出 | 明确写成假设、可能原因或待验证解释 | 给出验证方法 |
| 无法确认 | 缺少必要数据，或现有信息相互冲突 | 不给确定结论，不补造细节 | 指出需要补充的信息 |

等级不宜过多。七八种标签看似严谨，实际容易让模型混用，也会增加阅读负担。对多数任务而言，三到四级足够：确定、有限确定、推测、未知。

“置信度 80%”一类数字也要谨慎使用。ChatGPT 给出的置信数字通常不是经过统计校准的概率，容易制造精确感。若确实需要，可以要求它使用高、中、低等定性等级，并解释判断依据。比起一个孤立的百分比，“中等置信：材料支持这一解释，但缺少时间记录和当事人确认”更有实际价值。

### 位置约束：标签放在哪里

很多提示词只要求“在回答中标注”，结果模型可能在结尾统一写一句“部分信息可能不准确”。这种整体免责声明无法帮助读者识别具体风险。

更合适的要求是**就近标注**。不确定标签应放在对应句子、结论或段落之前，避免让读者自行判断标签究竟指向哪部分内容。涉及多个结论时，应分别标注，而不是用一个总标签覆盖整段。

例如，与其写“项目可能延期，原因包括需求变化、资源不足和技术难度。不确定性说明：以上仅供参考”，不如写成：

**已确认：**排期表显示交付时间已调整两次。  
**推测：**需求频繁变化可能是延期原因之一，但材料中没有变更记录，暂时无法确认因果关系。  
**无法确认：**现有信息不足以判断资源不足是否为主要原因，需要补充人员投入和任务负载数据。

这种格式把事实、解释和缺口拆开，读者可以清楚知道哪些内容可以直接采用，哪些内容只能作为调查方向。

### 处置约束：标完以后怎么办

标注本身不是终点。如果 ChatGPT 只说“无法确认”，却不说明缺什么、怎样核实，回答依然难以使用。

提示词应要求模型对不确定信息采取对应动作：能够通过补充上下文解决的，提出具体问题；能够通过资料核验解决的，指出需要检查的文件或字段；存在多个解释的，列出关键分歧和区分条件；完全没有依据的，停止推断。

可直接加入这样的要求：

**发现不确定信息时，不要只添加免责声明。请说明不确定性的具体来源，指出缺少哪些信息，并给出最短核验路径。如果无法核验，保留未知状态，不得为了完整性虚构答案。**

所谓最短核验路径，不是笼统地说“建议查询权威资料”，而是说明要核对什么。例如，判断合同条款是否适用，应核对合同版本、签署主体、适用地区和生效时间；判断数据异常原因，应核对统计口径、采集时间、缺失值和系统变更记录。

## 三、用固定输出结构提高标注稳定性

如果任务较长，只在提示词中提出原则仍可能漏标。更稳定的方法是规定输出结构，让 ChatGPT 在生成答案时同步完成证据检查。

一种通用结构是把回答分为“结论、依据、不确定项、核验建议”四部分。结论回答用户问题；依据说明结论来自哪些已知材料；不确定项列出不能确认的部分；核验建议说明下一步需要获取什么信息。这种结构适合分析、判断、咨询和决策支持类任务。

可以直接使用以下提示词：

**请基于我提供的信息回答。先给出结论，再说明结论依据。凡是材料没有直接支持、可能已经过时、存在多种解释或需要外部数据验证的内容，请在对应句子前标注“推测”或“无法确认”。不得把推测改写成事实，不得补造数字、来源、人物、时间和因果关系。最后单独列出需要核验的事项，并说明核验每一项所需的资料。**

如果希望回答更紧凑，可以不单独增加“不确定项”章节，而是要求逐句标注：

**请采用就近标注方式。确定内容直接陈述；有条件成立的内容标注“条件性结论”；根据间接线索得出的内容标注“推测”；缺少必要信息的内容标注“无法确认”。每个标签后用一句话说明依据或缺口。不要在结尾用统一免责声明代替逐项标注。**

对于需要严格控制证据范围的任务，还应要求模型建立“信息来源边界”。例如，用户让 ChatGPT 阅读会议纪要并判断决策结果，提示词应明确：只能依据纪要内容，不得利用常识推定未记录的决定。此时可以写：

**回答只能使用我提供的材料。材料明确记载的内容标为“材料已确认”；从材料线索推导但未直接写明的内容标为“基于材料推断”；材料未涉及的内容标为“材料未提供”。不要调用外部背景补全缺失信息。**

这里有一个容易忽略的问题：要求“标注来源”并不等于要求模型生成来源。若输入中没有文献、链接或出处，模型可能为了满足格式而补出看似合理的引用。因此，提示词应补充：**只能引用输入中实际存在的来源；没有来源时直接写“来源未提供”，不得生成出处。**

结构化输出还可以加入一句反向检查要求：“回答完成后，检查是否有推测性内容使用了确定语气；如有，改为对应标签。”这类检查不能保证消除所有错误，但能减少前后标准不一致。

## 四、针对不同任务调整不确定信息标签

统一提示词适合一般问答，但不同任务中的“不确定”来源并不相同。直接复制同一套要求，可能造成过度标注或漏掉关键风险。调整重点应放在证据边界，而不是不断增加标签数量。

### 总结材料时，区分原文事实与模型归纳

总结任务最常见的问题，是模型把原文中的观点写成客观事实，或者用常识补齐原文没有说明的背景。

提示词可写成：

**请严格依据原文总结。原文明示的信息标为“原文明确”；由多处内容归纳出的结论标为“归纳判断”；原文没有说明但理解结论所必需的信息标为“原文缺失”。如果原文中的说法本身没有证据，请表述为“原文声称”，不要替原文确认其真实性。**

这里要区分两个层次：原文确实写了某句话，只能证明“原文存在这一说法”，不能自动证明该说法真实。特别是投诉记录、访谈纪要、宣传材料和主观陈述，更不能把材料中的立场直接转成已验证事实。

### 分析原因时，区分相关性、假设和因果

原因分析容易出现“看到同时发生，就认定存在因果”的问题。比如转化率下降与页面改版同期发生，不代表改版一定导致下降，还可能受到流量来源、价格、活动和统计口径影响。

提示词可以要求：

**请将已观察到的现象、可能原因和已验证原因分开。没有对照数据、时间顺序或排除其他变量时，不得使用“导致”“造成”“因此”等确定因果表达，只能标注为“待验证假设”。对每个假设说明支持线索、反对线索和验证所需数据。**

这样做的重点不是让 ChatGPT 给出更多原因，而是避免把“解释得通”误当成“已经证实”。

### 处理实时信息时，明确时间截止点

涉及政策、价格、人员任职、产品功能等内容，提示词应要求声明知识时间边界。不能确认最新状态时，应优先引导核验，而不是给出静态答案。

合适的表达是：

**凡是可能随时间变化的信息，请标明其适用时间或资料时间。若无法确认当前状态，标注“时效未确认”，并指出需要核对的最新文件、官方公告或系统记录。不要使用“目前”“最新”“现行”等词，除非已有可验证的时间依据。**

这比简单要求“提供最新信息”更可靠。模型未必具备实时检索条件，而“最新”这一要求反而可能诱发它以确定语气回答未知状态。

### 提供数字估算时，公开假设和区间

预算、工期、收益和概率类问题通常无法只凭一句描述得到精确答案。此时应要求 ChatGPT 把假设写在数字前面。

例如：

**如果无法得到精确数字，请不要生成单点结论。先列出估算所依赖的条件，再提供区间或计算方法，并标注“假设性估算”。若缺少关键参数，先提出需要补充的问题；未经我确认，不得自行设定关键参数。**

这种要求可以防止模型为了完成回答，擅自假设团队人数、工作效率、单价或增长率。即使用户允许估算，也应看见估算建立在什么条件上，以及哪些变量改变后结论会失效。

## 五、避免标注不确定信息时的四个常见误区

标注要求写得越多，不一定越有效。真正影响输出质量的，是规则是否明确、标签是否可区分、处置是否能执行。

**误区一是只要求“不确定时说明”。**这句话没有定义触发条件，也没有规定说明方式。模型可能只在完全无法回答时标注，而对推断性因果、陈旧信息和缺少来源的数字保持沉默。改法是同时列出触发条件，并要求就近标注。

**误区二是要求每句话都给置信度。**表面上很严谨，结果往往是大量缺乏意义的“高置信度”“90%可信”。模型的自评概率不一定具有统计意义，而且密集标签会干扰阅读。更合理的做法是只标注影响结论的不确定项，并使用有依据说明的定性等级。

**误区三是把免责声明当成标注。**回答末尾加一句“以上内容可能不准确”，不能告诉读者哪一项有风险，也无法支持后续核验。应要求标签紧邻对应结论，并分别说明证据缺口。

**误区四是既禁止猜测，又要求必须给出完整答案。**这两个要求发生冲突时，模型可能优先满足“完整”，通过补造细节填满结构。提示词必须明确优先级：准确性和信息边界高于完整性；缺少信息时允许回答不完整，允许提出澄清问题，也允许保留“无法确认”。

为了检查提示词是否真正可执行，可以从以下四点验收：

1. 是否明确写出了哪些情况触发不确定标注，而不是只要求“谨慎”。
2. 是否规定了标签含义和标注位置，避免统一免责声明。
3. 是否要求说明证据、缺口和核验动作，而不是只给置信等级。
4. 是否允许模型停止推断，并明确禁止虚构数字、来源和细节。

还可以用一组故意不完整的信息测试提示词。例如，只提供“某项指标下降了”，然后询问原因。如果 ChatGPT 直接断言是市场变化或产品问题，说明约束还不够；如果它先确认指标口径、时间范围、对照周期和同期变更，再把可能原因标为假设，说明提示词开始发挥作用。

对于较长对话，还要防止规则在后续轮次中被弱化。可以在提示词中加入：“本规则适用于本次对话中的所有后续回答，除非我明确取消；新信息与旧信息冲突时，必须指出冲突，不得自行选择其一。”当用户后续补充证据时，标签也应动态更新，原来的“推测”可能变为“已确认”，原来的“已确认”也可能因材料冲突降为“无法确认”。

最终可形成一段相对完整、适用于多数分析任务的提示词：

**请基于已提供的信息回答，并严格区分事实、推断和未知。材料直接支持的内容标为“已确认”；依据间接线索得出的内容标为“推测”；依赖特定条件才能成立的内容标为“条件性结论”；缺少必要证据、信息可能过时或存在冲突的内容标为“无法确认”。所有标签必须放在对应内容附近，并简要说明依据或不确定原因。不得虚构数字、来源、人物、时间、案例和因果关系，也不得用统一免责声明代替逐项标注。信息不足时，优先提出澄清问题；仍无法确认时，保留未知，并给出所需资料和核验路径。准确性与信息边界优先于答案完整性。**

这段内容不必在每个任务中原样复制。材料总结任务应强化“不得超出原文”，实时问答应强化时间边界，原因分析应强化“不得把相关性写成因果”，数字估算则应强化假设与区间。提示词越贴近具体风险，标注越有意义。

## 六、总结

要求 ChatGPT 标注不确定信息，关键不在于反复强调“准确”，而在于把抽象要求转化为明确规则：规定哪些情况必须标、用什么等级标、标签放在哪里，以及标注后如何核验。**判定条件、标签分级、就近标注和处置动作**缺一不可。

实际编写时，可以先采用“已确认、推测、条件性结论、无法确认”四类标签，再结合任务补充证据边界。对缺少依据的内容，允许模型保留未知；对可能变化的信息，要求说明时间范围；对原因和数字，要求公开假设与验证条件。这样得到的回答未必更肯定，却会更透明，也更便于读者判断哪些内容可以采用、哪些内容仍需核实。

可以在提示词中写明：请将信息标注为“高可信”“中等可信”或“低可信”，并简要说明判断依据。对于缺少可靠来源、存在争议或无法验证的内容，必须明确标记为“不确定”，不得将推测表述为事实。

要求模型使用置信度标签

希望模型在输出答案时，对信息可靠性进行分级，并提醒用户哪些内容可能存在偏差，提示词应包含哪些要求？

怎样让 ChatGPT 主动说明回答的可信程度？

可要求模型在每项内容前添加标签，例如“【已知事实】”“【合理推测】”“【主观观点】”“【待核实】”。提示词还应强调：只有能够被可靠资料支持的内容才能归入已知事实，依据不足时应归入合理推测或待核实。

规定不同信息类型的标注方式

模型的回答可能混合客观事实和主观判断，怎样通过提示词让它们更容易辨认？

如何让 ChatGPT 区分事实、推测与观点？

提示词可以写成：如果你无法确认某项信息，请直接说明“无法确认”或“现有信息不足”，并列出缺失的关键资料。禁止虚构数据、案例、出处、人物、日期及引用内容；如需提出可能性，必须使用假设性表达并添加风险提示。

设置明确的拒绝猜测规则

当模型缺乏信息或无法确认答案时，如何要求它直接承认不清楚，而不是生成看似合理的内容？

怎样避免 ChatGPT 为未知内容编造答案？

可以要求模型为关键事实提供来源名称、作者、发布日期、文献标题或官方网页链接。无法提供可核查来源时，应标注“来源未核实”。还可要求模型不得虚构链接和参考文献，并建议用户通过官方网站、学术数据库或权威机构资料进行复核。

加入来源与核验要求

为了判断回答是否可靠，能否让模型为关键结论提供来源线索，并标出没有来源支持的部分？

如何要求 ChatGPT 给出可核查的信息来源？

可使用这段提示词：请基于可验证的信息回答。将内容分为“已确认信息”“存在不确定性的信息”和“无法确认的信息”。每条不确定信息都要说明不确定原因，并给出置信度。不要把推测写成确定事实，不要虚构来源；若资料不足，请明确说明需要补充哪些信息。

可直接使用的标注模板

有没有一段可直接复制的提示词，用于让 ChatGPT 在回答中统一标记不确定内容？

不确定信息的提示词模板怎么写？

PingCodeDocs

要让 ChatGPT 有效标注不确定信息，提示词应同时规定触发条件、标签等级、标注位置和后续处置。可将内容分为已确认、推测、条件性结论和无法确认，并要求标签就近出现，说明依据、信息缺口与核验路径。材料总结要限制证据范围，原因分析要区分相关与因果，实时信息要标明时间边界，数字估算要公开假设和区间。还应明确准确性高于完整性，信息不足时允许提问或保留未知，禁止虚构数字、来源、时间和因果关系。

提示词中如何要求 ChatGPT 标注不确定信息