在大语言模型的应用中，SFT（监督微调）和纯Prompt（即仅通过设计提示词引导模型行为）是两种截然不同的能力激发方式，其核心差异在于是否修改模型参数以及能力的稳定性与泛化性。
纯Prompt依赖预训练模型本身已有的知识和模式匹配能力，通过精心构造输入（如添加“你是一个 helpful AI 助手”或提供 few-shot 示例）来引导输出。这种方式无需任何训练，部署灵活，适用于快速验证或轻量级任务。然而，其效果高度依赖提示词的设计技巧，且对复杂指令、多步推理或格式约束等场景鲁棒性差。同一个模型在不同措辞下可能表现迥异，甚至忽略关键要求。本质上，纯Prompt是在“试探”模型的已有行为边界，而非扩展它。
SFT则通过有监督训练，直接调整模型参数，使其内化对指令的理解和响应模式。使用人工标注的“指令-理想回答”对进行微调后，模型不再需要复杂的提示即可稳定遵循任务要求。例如，经过 SFT 的模型在收到“总结以下内容”时，会自动输出简洁摘要，而无需额外说明“请用三句话以内作答”。这种能力是固化在模型内部的，对输入措辞不敏感，泛化性更强，且能处理更复杂的结构化输出（如 JSON、代码、多跳推理）。
从能力来源看，纯Prompt完全依赖预训练阶段学到的隐式模式，而 SFT 显式教会模型“如何与人类交互”。前者像是给一个聪明但未经训练的人不断下口头指令，后者则是对其进行系统培训。因此，SFT 模型在实际应用中更可靠、更一致，尤其在产品化场景中，避免了 prompt engineering 的高维护成本和不确定性。
此外，SFT 还为后续的对齐优化（如 RLHF 或 DPO）奠定基础。纯Prompt 无法与强化学习结合，因为其行为不可通过梯度更新；而 SFT 提供了一个可优化的初始策略，使得偏好信号能有效引导模型进化。
纯Prompt 是一种“外部引导”策略，适合探索和轻量使用；SFT 是一种“内部塑造”手段，用于构建稳定、可控、产品级的智能体。两者并非互斥，但在工程实践中，SFT 已成为构建可用大模型的标准步骤，而纯Prompt 更多作为辅助技巧或在资源受限时的临时方案。
