引子：Prompt 真的是“指令”吗？
几乎所有人第一次被 Prompt 震到，都是在某个瞬间意识到：
我并没有教模型新知识，它却突然换了一种思考方式。
不是模型升级，不是微调，也不是参数变化。
只是多写了几句话。
如果你把这件事解释为“模型很聪明”，那其实是一种偷懒的说法。因为真正的问题是：为什么自然语言，能对一个纯粹的向量系统产生如此强的控制力？
答案不在语言学里，而在 Transformer 一个非常底层、但经常被忽略的事实中——
模型内部，始终只有一条单一残差流。
核心观点：Prompt 能工作，不是因为“理解”，而是因为“偏置”
Prompt 从来不是指令。
它更像是一种状态注入。
Transformer 并不存在一个“控制模块”去解析你写的要求，也不存在一个“角色系统”用来切换模式。从第一个 token 开始，模型只是把所有输入编码成向量，叠加到同一条残差流上，然后一层一层往前推。
Prompt 的作用只有一个：
在一切计算发生之前，先把这条残差流推向某个方向。
之后 Attention、FFN 所做的，并不是重新思考，而是在这个方向附近不断细化。
技术机理：单一残差流如何放大 Prompt 的影响力
从结构上看，Transformer 的每一层都遵循同一件事：
输入是一条向量流，输出也是这条流的修改版本。
Attention 不是生成一个新表示，而是对当前残差流做一次基于相关性的增量更新。
FFN 也不是独立思考，而是对同一状态做非线性重组。
关键在于：
这条流不会被清空，也不会被分叉。
所以当 Prompt 作为最早进入模型的 token，被编码进残差流时，它天然拥有一个优势——
它影响的是整个后续计算的坐标系。
模型不是先理解 Prompt 再回答，而是从一开始，就在一个已经被 Prompt 定义好的状态空间里运行。
反直觉现象：为什么 Prompt 越长，反而越容易失效？
很多人调 Prompt 的第一反应，是不断“补充说明”。
结果往往是：越写越复杂，效果却越来越不稳定。
从单一残差流的角度看，这几乎是必然的。
因为你不是在添加规则，而是在同一条状态流里，叠加多个方向不一致的偏置向量。这些偏置在高维空间里并不共线，它们会互相拉扯、相互抵消，最终把残差流拖进一个噪声态。
模型不是不知道怎么答，而是它的“世界状态”在一开始就被你写乱了。
这也是为什么真正高质量的 Prompt 往往很短——
它们不追求信息量，而追求方向一致性。
关键洞察：Prompt 决定的不是“内容”，而是“惯性”
一旦你接受“单一残差流”这个前提，就会意识到一件很重要的事：
Prompt 并不决定模型会不会某个知识点，
它决定的是：模型接下来更容易沿着哪一类路径继续生成。
所谓角色 Prompt、风格 Prompt，本质上都是在激活一组在训练中高度共现的特征方向。残差流一旦被拉进这个子空间，后续生成自然会顺着这条轨迹走下去。
不是角色扮演，而是惯性延续。
工程启示：为什么 Agent 和 Tool 调用经常“失控”
很多 Agent 系统失败，并不是工具设计的问题，而是状态设计的问题。
它们试图让模型同时记住目标、步骤、上下文和工具返回值，却忽略了一个现实：
模型内部，只有这一条残差流能长期携带状态。
如果你不断往 Prompt 里堆指令、规则、工具说明，本质上是在消耗这条流的可控性。真正稳定的 Agent，做的不是“写更复杂的 Prompt”，而是把复杂世界压缩成残差流能承载的状态表示。
总结升维：Prompt，其实是最原始的“状态工程”
如果把 Transformer 看成一个世界模型，那么残差流就是它的世界状态。
Prompt 的意义，也就不再神秘了：
它是你能直接触碰这条状态流的最原始、最粗暴、但也最有效的方式。
你不是在命令模型怎么想，
你是在帮它选一个一开始就站得住的方向。
理解这一点，你就不再纠结 Prompt 的“话术”，
而会开始真正做一件更高级的事：
状态设计。
这，才是 Prompt 能工作的真正原因。
