分享Gemini提示词：优化思维链展示并激活主动搜索
速览
该提示词旨在解决Gemini思维链为英文阅读不便及不主动搜索的问题。通过指令要求模型在内部进行英文推理，随后将思维链翻译为中文展示，并强制在涉及时效性信息时主动使用网页搜索。此方法能显著提升回答的准确性和可读性。
AI 深度解读
背景
在人工智能应用日益普及的今天，大型语言模型（LLM）的用户体验往往受到两个核心痛点的制约：一是思维链（Chain of Thought, CoT）的呈现语言问题，二是模型对实时信息获取工具的调用惰性。
以 Google 的 Gemini 模型为例，尽管其逻辑推理能力强大，但其内部的思维链过程默认使用英文输出。对于非英语母语用户而言，这种“黑盒”式的推理过程不仅阅读体验不佳，也阻碍了用户对模型决策逻辑的透明化理解。与此同时，Gemini 在 Web 端和 App 端长期被用户诟病“幻觉”频发且缺乏主动性——即在回答涉及时效性、新闻或最新数据的问题时，模型倾向于依赖训练数据中过时的内部知识库，而非主动调用搜索工具获取最新事实。
针对上述问题，来自 LINUX DO 社区的一位用户分享了一种基于自定义指令（Custom Instructions）的优化方案。该方案借鉴了 Grok 模型中 comprehensive（全面/详尽）模式的提示词逻辑，通过结构化指令强制 Gemini 在内部进行英文推理，随后将思维链翻译为中文展示，并强制模型在涉及时效性问题时主动触发搜索工具。这一方法旨在提升回答的完整性、时效性以及中文阅读体验。
核心内容
该分享的核心在于构建一套嵌入 Gemini 自定义指令中的提示词框架。这套指令并非简单的问答规则，而是一套强制性的思维与工作流规范，旨在重塑模型的输出行为。
首先，指令要求模型提供“全面、详细”的回复。这意味着模型不能仅给出简短结论，而必须从多个角度探讨主题，涵盖相关背景、具体示例、细微差别以及潜在含义。信息结构需要清晰构建，具备适当的深度，既要覆盖边缘情况（edge cases）和相关考虑因素，又要保持整体的清晰度与组织性，力求在完整性与可读性之间取得平衡。
其次，针对思维链的语言障碍，指令设定了严格的处理流程：
- 内部英文推理：模型必须在内部使用英文进行详细的逐步思维链（CoT）推理。这一步骤利用了模型在英文语境下更强的逻辑推理能力。
- 时效性评估与搜索触发：在推理过程中，模型被强制要求评估问题是否涉及时效性信息（如当前事件、最新数据、新闻、价格、政策等）。如果涉及此类内容或存在疑虑，模型必须主动计划使用网页搜索工具来获取最新事实，而非依赖内部记忆。
- 思维链翻译：推理完成后，模型需将整个英文思维链翻译成流畅、自然的中文。
- 最终输出结构：最终回复必须遵循固定格式。首先展示【思维链翻译】标题下的完整中文推理过程，随后给出基于该推理及新鲜搜索结果的全面详细最终回答。
指令中特别强调：“绝不要跳过【思维链翻译】部分。”这一硬性约束确保了用户能够看到模型“如何思考”的过程，从而验证其逻辑的合理性，同时也解决了英文思维链阅读困难的问题。
关键要点
- 混合语言工作流：采用“英文推理 + 中文输出”的策略。利用英文进行深层逻辑构建，再通过翻译呈现给用户，兼顾了推理质量与阅读体验。
- 强制搜索机制：通过提示词显式要求模型在遇到时效性问题时“主动计划使用网页搜索”。这直接对抗了模型默认依赖过时知识库的倾向，显著提升了回答的准确性和新鲜度。
- 透明度提升：强制输出【思维链翻译】部分，使得原本不可见的推理过程变得透明。用户不仅可以查看最终答案，还可以审查模型的推导逻辑，便于发现潜在的错误或偏见。
- 结构化深度回复：指令要求涵盖背景、示例、细微差别和边缘情况，迫使模型从“单点回答”转向“多维探讨”，提升了内容的信息密度和价值。
- 自定义指令的持久性：该提示词被保存为 Gemini 的自定义指令（Custom Instructions），这意味着无需在每次对话中重复输入，新开启的对话即可自动生效，极大提升了使用效率。
意义与影响
这一分享对普通用户和 AI 开发者具有多重意义。
对于普通用户而言，它提供了一种低成本、高效率的优化手段。无需修改模型底层参数或编写复杂代码，仅通过文本指令即可显著改善 Gemini 的使用体验。特别是对于需要频繁查询最新资讯、政策变化或市场数据的用户，强制搜索机制能有效减少“一本正经胡说八道”的幻觉现象，提升信息获取的可靠性。
对于AI 提示工程领域，该案例展示了“思维链翻译”作为一种中间件策略的可行性。它证明了通过引导模型在中间步骤使用其更擅长的语言（通常是英文）进行逻辑处理，再转换为目标语言输出，可以在一定程度上提升复杂任务的表现。同时，这也强调了“显式约束”在控制模型行为中的重要性——通过明确列出“做什么”和“不做什么”，可以有效纠正模型默认行为中的缺陷。
然而，用户也需注意，这种提示词虽然能“大体上反应思维链中的内容”，但并非逐字翻译，可能会在翻译过程中丢失部分细微的逻辑连接。此外，过度依赖翻译步骤可能会略微增加响应时间。尽管如此，在追求回答质量与透明度的场景下，这种权衡通常是值得的。这一方法也为其他支持自定义指令的模型（如 Claude、ChatGPT 等）提供了可借鉴的优化思路。