Revision Prompting：用 diff 让 LLM 只改需要改的部分

在工业级 LLM 应用中，同一条指令往往会被反复作用在大量输入上。当输入发生更新时，常见的做法是把整条指令重新跑一遍，但这会带来两个问题：模型输出天然具有非确定性，重新运行会让未变化的部分也产生漂移；同时，重新生成完整输出需要支付完整的时间和 token 成本。Revision Prompting（修订式提示）正是为解决这两个问题而设计的提示工程方法。

核心思路

传统的工业提示可概括为：把一段 Input 交给 LLM，配合一条 Instruction，让它产出 Output。当 Input 更新为 UpdatedInput 后，朴素做法是再次执行 Instruction 得到 UpdatedOutput。Revision Prompting 改为把差异（diff）交给模型，让它只生成针对差异的补丁（OutputPatch），再把这个补丁应用到原 Output 上得到 UpdatedOutput。

构造的修订提示模板大致如下：

Instruction：Input，产生了 Output。
输入更新如下：diff(Input, UpdatedInput)。
请产出一个补丁来更新输出。

模型返回 OutputPatch 后，再用文本或结构化工具（如 POSIX diff 或 JSON Patch）把它合并回原文。

一个翻译场景的示例

原始任务是「把以下电动自行车产品页翻译成德语」，输入中包含「续航 80 km、电池三小时充满、回收铝车架、两年保修」等内容。模型给出的德语译文作为 Output 被保留下来。

随后产品页把续航从 80 km 改为 100 km。Revision Prompting 不再让模型重译整页，而是把原始输入与产出连同 diff（- 续航 80 km / + 续航 100 km）一起交给模型，让它只生成对应的德语补丁：- Das E-Bike Vela 3 hat eine Reichweite von 80 km. / + Das E-Bike Vela 3 hat eine Reichweite von 100 km.。把这个补丁应用到原 Output，就得到了更新后的完整德语翻译，未被改动部分保持原样。

为什么有效

一致性：由于补丁的范围被 diff 限定，未触及的内容与原 Output 完全一致，更新后的输出不会在无关字段上发生漂移。
时间与成本：大量原本属于输出的 token 被转移到了输入端，而输入 token 通常更便宜；模型只需要生成很短的 OutputPatch，整体处理时间也随之下降。若修订发生在原调用后几分钟内，输入侧的 prompt 缓存还能进一步压低部分输入 token 成本。
格式选择：diff 与补丁的编码格式可以根据 Instruction 灵活选择。文本类输出可用 POSIX diff；结构化 JSON 输出更适合用 JSON Patch（RFC 6902）。

实际节省幅度

节省幅度取决于两点：输入变化的占比，以及输出对输入变化的敏感程度——变化越小、输出越只受局部影响，节省越明显。作者给出的工业 prompt 实测数据为：

处理时间下降约 80%。
综合成本下降约 65%。

对于需要高一致性、频繁小幅度更新的工业流水线（例如文档翻译、结构化抽取、报表重生成等），Revision Prompting 提供了一条用提示工程本身就能落地的优化路径，而无需更换底层模型或引入额外的微调。