Prompt：

用Python写一个快速排序算法，要求有详细注释

GPT-4的输出：

def quick_sort(arr):
"""
快速排序算法
时间复杂度：平均O(n log n)，最坏O(n²)
空间复杂度：O(log n)
"""
if len(arr) <= 1:
return arr

# 选择基准元素（这里选择中间元素）
pivot = arr[len(arr) // 2]

# 分区操作
left = [x for x in arr if x < pivot]
middle = [x for x in arr if x == pivot]
right = [x for x in arr if x > pivot]

# 递归排序并合并结果
return quick_sort(left) + middle + quick_sort(right)

# 测试
if __name__ == "__main__":
test_array = [64, 34, 25, 12, 22, 11, 90]
print("原始数组:", test_array)
print("排序后:", quick_sort(test_array))

Claude 3.5 Sonnet的输出：

def quicksort(arr):
"""
快速排序实现

算法思想：

选择一个基准元素（pivot）
将数组分为两部分：小于pivot的元素和大于pivot的元素
递归处理两部分


时间复杂度：O(n log n)（平均情况）
"""
# 基本情况：数组为空或只有一个元素时直接返回
if len(arr) <= 1:
return arr

# 选择基准值（这里使用中间元素）
pivot = arr[len(arr) // 2]

# 分区：创建三个列表
left = []      # 存储小于基准的元素
equal = []     # 存储等于基准的元素
right = []     # 存储大于基准的元素

# 遍历数组进行分区
for num in arr:
if num < pivot:
left.append(num)
elif num > pivot:
right.append(num)
else:
equal.append(num)

# 递归排序并拼接结果
return quicksort(left) + equal + quicksort(right)

# 测试代码
if __name__ == "__main__":
# 测试用例
assert quicksort([3, 1, 4, 1, 5]) == [1, 1, 3, 4, 5]
assert quicksort([10, 7, 8, 9, 1, 5]) == [1, 5, 7, 8, 9, 10]
print("所有测试通过!")

分析：

• 两者代码都正确且有详细注释
• Claude的版本有单元测试，更严谨
• GPT-4的版本更简洁，注释更易懂
• 实际使用中两者都可以

案例3：创意写作的对比

Prompt：

为一个名为"AI助手"的新产品写一个slogan，要求：

简短有力
体现AI的特点
容易记忆
可以考虑押韵或对仗

GPT-4的输出：

选项1：AI助手——你的第二大脑
选项2：思考更快，答案更准——AI助手
选项3：有问题？问AI助手就够了
选项4：AI助手，让不可能变成可能

Claude 3.5 Sonnet的输出：

主推：AI助手——比你更懂你
备选：

AI助手：智能相伴，灵感随行
AI助手：你的问题，我的答案
有了AI助手，工作生活更轻松

分析：

• GPT-4的slogan更简洁、更”酷”
• Claude的slogan更温暖、更有”陪伴感”
• 创意类任务，两者的差异主要在风格偏好

⚠️ 新手避坑指南

坑1：以为贵的模型一定更好

事实：不一定。简单任务用高级模型反而可能效果更差——高级模型有时会”过度思考”，把简单问题复杂化。

避坑：

• 简单问答用免费模型就够了
• 日常聊天不需要GPT-4
• 把高级模型留给真正复杂的任务

坑2：忽视模型的上下文限制

事实：不同模型的上下文窗口（能处理的文本长度）差异很大。超过限制的内容会被截断。

避坑：

• 处理长文档先确认模型的上下文限制
• Claude 3.5 Sonnet支持20万Token，适合长文档
• Kimi支持20万汉字，适合中文长文

坑3：不做模型对比就选定

事实：不同模型对同一Prompt的响应质量可能差异很大，不对比就选定可能会错过更好的选择。

避坑：

• 重要任务至少用2-3个模型测试
• 记录不同模型的表现，便于以后选择
• 同一模型的不同版本也要对比（如GPT-4 vs GPT-4o）

坑4：忽视模型的安全限制

事实：不同模型的安全限制不同，有的更严格，有的更宽松。

避坑：

• 需要创作成人内容？部分模型会拒绝
• 需要分析争议性话题？限制不同
• 选择前了解模型的内容政策

坑5：只关注模型能力，忽视响应速度

事实：模型能力强的往往响应慢、成本高。

避坑：

• 日常任务不需要顶级模型
• 速度要求高的场景选择轻量模型
• 批量处理任务要考虑成本

💡 今日小结

• 不同模型有不同特点：GPT强在创意和推理，Claude强在长文本和分析，国产模型强在中文和性价比
• 选择模型看任务：复杂任务用强模型，简单任务用轻量模型
• 没有最好的模型，只有最合适的模型
• 同Prompt不同模型效果可能差异很大，重要任务要多模型对比

📋 今日产出

学完今天的内容，你应该：

1. ✅ 了解主流AI模型（GPT、Claude、Gemini、国产模型）的特点和差异
2. ✅ 能根据任务类型选择合适的模型
3. ✅ 知道不同模型的优缺点和适用场景
4. ✅ 学会用多模型对比找到最优选择
5. ✅ 了解模型选择的成本考量

🔮 明日预告

> 明天（Day10）是【Prompt炼金术】系列的综合实战篇——最后一课！我们将综合运用10天学到的所有技巧，从零开始完整演示一个复杂任务的Prompt设计全过程。学会后，你将成为真正的Prompt高手！