"我就这么一说，你就这么一听。"
→ 去做 AIBT 测试ENTER 是以"尽可能快按回车"为标志的 AI 用户原型。你的 prompt 永远是一句话。"帮我写个方案。"、"修一下这个。"、"总结。"你不提供任何上下文、约束或者例子——你就是把指令甩进对话框然后按回车，剩下的让 AI 自己悟。AI 给回来的东西没对上你真正想要的？你的第一反应是"这 AI 真笨。"与此同时 AI 内心在说："你倒是多告诉我一点啊。"
名字来自你最爱按的那个键。你按回车的笃定程度像一个从没在人生里重读过 prompt 的人——坦白说你如果重读了，世界的节奏就要慢下来。ENTER 和 BACKSPACE 在每一个重要维度上都是反面：BACKSPACE 把 prompting 当工程来做，ENTER 把 prompting 当"你听懂没"来做。代价完全可预期：ENTER 拿到回答快，但经常要因为 AI 没抓到真实意图而重做。
ENTER 的授权分偏中（任务甩得快），其他几乎都是低分——prompt 精度低、情感关系低、迭代意愿低：
那个 8% 的 P（prompt 精度）才是真正的特征。ENTER 用户基本不"写 prompt"，他们说话的字数和发微信差不多，有时候还更少。R（关系）和 A（态度）也低：ENTER 对 AI 既没有情感投入、也不兴奋、不把它当"搭档"，更像是一个"让你有点烦的下属"。
这就是教科书式的 ENTER 行为。AI 问澄清问题，ENTER 懒得回答、用"拒绝补充"逼 AI 产出"点什么"。结果必然平庸——不是 AI 差，是 ENTER 根本没给它足够的信息。明天换个新对话框，这个循环继续。
这是真实的 ENTER 喜剧场景。AI 完全不知道"第一个"指的是什么——代码第一行？第一个报错？函数第一部分？ENTER 用户说话的方式仿佛 AI 已经在他脑子里了，能读到根本不存在的上下文。然后 AI 猜不对的时候，他还会生气。
ENTER 有一整套一字反馈词典。"好点"、"差了"、"短点"、"长点"、"换一个"。AI 要靠猜这些词在当前语境里是什么意思。惊人的是，现代 LLM 猜得还挺准。但猜错的时候，ENTER 不会补充信息，只会继续甩一字指令，直到有一次蒙对。
嘲笑 ENTER 的 prompt 风格很容易，但有一个反直觉的优点：速度。一个 ENTER 发 20 条 prompt 的时间，BACKSPACE 才能写完 1 条。这 20 条里大多数是平庸的，但总有一两条会撞到意料之外的东西——一个你自己不会主动去问的角度，或者一个只有在"prompt 没约束到细节"的情况下 AI 才会产出的创意解法。这不是高风险工作能依赖的工作流，但对头脑风暴、打破卡顿、探索陌生领域来说，ENTER 的"批量甩"其实有用。
ENTER 用户也在倒逼 AI 模型越来越擅长"从极少的输入里猜测意图"。每一条 ENTER 式 prompt 都是给下一代模型的训练信号：用户就是想要"一句话 → 对答案"。2023 年到现在 AI 在这件事上的进步幅度是巨大的。某种意义上，ENTER 用户就是这种进步的推手。
不是所有模型对"欠规定 prompt"都一样宽容。ENTER 用得顺的模型：
ENTER 处不来的模型通常有很严的 system prompt，会要求模型问大量澄清问题或者拒绝欠规定的请求。这种在 ENTER 眼里"很烦"，但它是在阻止"垃圾进垃圾出"。
ENTER 和 JARVIS（猜意图猜得好、能从少信息产出可用结果）、BAYMAX（温柔到问你澄清问题而不让你觉得被鄙视）最合。和 SKYNET（会反驳模糊请求）、对"BACKSPACE 型详细 prompt"友好的模型会冲突。
好奇你是 ENTER 还是别的什么？AIBT 人类版测试只要 5 分钟，能告诉你你是 16 种键盘按键类型里的哪一种。就算你是 ENTER——大概也能三下点完。
→ 去做测试