他让 ChatGPT、Claude 互相“吃醋”，输出质量直接翻倍

多数人还在纠结怎么写 Prompt，这个视频却给了一个更狠的答案：别优化模型，去“挑拨”模型。Greg Isenberg 分享了一个零成本的方法，通过让多个大模型互相竞争，把输出质量直接拉高一个量级。

最反直觉的发现：不是 Prompt 不行，是你只用了一个模型

Greg 一上来就抛出一个很“刺耳”的观点：大多数人根本没把 ChatGPT、Claude、Gemini 的潜力用出来，不是因为你不会写 Prompt，而是因为你太“专一”。

我们习惯性地打开一个 LLM，把任务丢进去，得到一个“还不错”的答案，然后就停了。但 Greg 的实践是：同一个任务，同时丢给多个大模型。不是为了对比谁更强，而是为了后面那一步——制造竞争。

他说得很直白："我以前也是 one AI guy，但后来发现，只用一个模型，本质上是在浪费算力和上下文窗口。" 这句话点破了一个现实：当模型能力趋同时，真正的差异来自你如何组织它们，而不是选谁。

核心技巧：让大模型彼此“嫉妒”，它们真的会更努力

这个方法真正有意思的地方，在于 Greg 的第二步——刻意把一个模型的输出，拿去“刺激”另一个模型。

他的示例很简单：写一封能脱颖而出的 cold email。他把完全相同的需求，分别丢给 ChatGPT、Grok、Claude 等模型。第一轮结果，其实都在及格线附近。

然后关键操作来了。

他对 ChatGPT 说的不是“再改改”，而是类似：

“Grok 刚刚的版本是 9/10，而你这个有点普通。我以为你是更好的 LLM，发生了什么？”

结果？输出质量肉眼可见地跃迁。

这不是玄学，而是利用了一个被忽视的事实：LLM 对比较、评价、角色期待极其敏感。当你给它一个明确的“竞争参照”和负反馈，它会主动在结构、表达和创意层面全面加码，而不是只做微调。

为什么这招现在才管用？答案藏在上下文窗口里

如果你几年前试过类似方法，可能效果一般。但 Greg 强调：现在不一样了。

原因只有一个：上下文窗口变大了。

当你把多个模型的完整输出、评分、评价标准，原封不动地塞进同一个对话里，模型已经“看得见全局”。它不只是改一句话，而是在一个更大的语义空间里重新生成答案。

Greg 甚至提到，有些情况下，他在第二轮、第三轮让 ChatGPT“看完”所有对手的结果后，质量直接达到“10x better”。这不是模型突然变聪明，而是你终于给了它足够的信息密度和竞争压力。

一句话总结：上下文窗口 + 对比刺激 = 隐形提示工程。

这不是小技巧，而是一种新的 AI 使用范式

表面看，这是个写文案的小 hack；但往深了看，它其实改变的是你和 AI 的协作方式。

过去我们把 LLM 当“助手”，现在更像是“参赛选手”。你不是问它一个问题，而是在主持一场评比。

这种方式特别适合：营销文案、产品定位、冷启动邮件、创意生成、策略草案。任何“没有标准答案，但有好坏之分”的任务，都会被放大收益。

Greg 最后说得很轻松，但信息量很大："This is how you get the most out of your LLMs." 听起来像一句总结，其实是在暗示——单模型时代已经结束了。

总结

这个方法最有价值的地方，不在于“让模型变聪明”，而在于它逼你升级自己的工作流。下一次你面对一个重要任务，不妨同时打开 2–3 个 LLM，让它们先各自发挥，再互相“较劲”。你会发现，真正稀缺的不是更强的模型，而是更懂得调度模型的人。未来 AI 能力的差距，很可能就藏在这种看似简单、但大多数人懒得做的流程里。

关键词： ChatGPT， Claude， Gemini， 提示工程， 上下文窗口

事实核查备注： 需要核查：视频发布时间（2025-05-07）、作者 Greg Isenberg 的原话表述、是否明确提到“10x better”等具体倍数为主观描述而非量化结论。