你打开 ChatGPT、Claude 或者其他大模型产品上来就问一句“帮我写个方案”大概率能得到一份四平八稳、但毫无灵魂的回复。这不是模型不行而是你的问题太含糊模型只能在你的模糊和它的想象之间找一个平庸的中点。提示词工程Prompt Engineering干的事情就是把“问问题”这个动作从碰运气变成一门手艺。这篇文章不讲那些悬而又悬的理论全部是过去一年我在真实项目里一条条试出来、踩过坑又填平的经验一共 10 个立刻能用的技巧外加一个可以直接抄作业的模板库。适合产品经理、开发、内容创作者以及所有想把大模型从“玩具”变成“生产力工具”的人。你不需要懂编程哪怕只会在对话框里打字也能让产出质量肉眼可见地上升一个档次。1. 先搞清楚提示词工程的底层逻辑1.1 为什么同样的模型你问出来的是废话别人问出来的是方案很多人以为大模型是一个“知识库”你问它就会答。这是最大的误解。大模型更像一个极其聪明、但极度依赖“上下文提示”的实习生你给它一个模糊的指令它会给你一个模糊的结果你给它一个清晰的框架它会还你一个超出预期的正反馈。我在项目里给团队做培训时经常说一句话提示词的本质是给模型“搭脚手架”。模型生成内容的每一步都是基于你给出的文字序列来预测下一个最合理的词。你的提示词里提供了多少约束、角色、背景、示例、格式要求它就顺着这个结构继续编下去。你什么都不提供它就只能在海量语料里挑一个“最大众化”的路径走这就是为什么你会感觉模型回复“很AI”——因为它确实在用最通用的那套语言模式。想通这一点你就明白提示词工程为什么值得花时间它不是让你去“控制”模型而是让你“引导”模型的概率分布让最合理的答案而不是最大众化的答案成为模型的首选。1.2 判断提示词好坏就看这五个指标在开始技巧之前先建立一个判断标准。我这些年做提示词的评估基本上就看五个维度准确性输出内容是否和你的目标一致有没有跑偏。结构化程度输出是否按你要求的格式组织拿过来能不能直接用。信息密度单位字数里有多少有效信息有没有大量废话。稳定性同样的提示词多次执行结果差异大不大。避错能力模型会不会主动规避幻觉、过度承诺等常见坑。记住这个判断框架下面每一条技巧都可以对号入座看看它优化的是哪个维度。当你积累多了以后你会发现优化的逻辑是相通的判断提示词好坏会成为直觉。1.3 一个容易被忽略的事实提示词不是一次写出来的我看到很多人拿一个提示词试了一次不行就放弃说“还是得人自己干”。这是个糟糕的习惯。好的提示词跟好的代码一样都是迭代出来的。第一版能达到 60 分已经很好了剩下 40 分靠观察模型的回复、调整措辞、增加约束、补充示例来补齐。我把这个过程叫“提示词调试”下面第 5 部分会重点展开。2. 10 个能立刻上手的提示词技巧这一部分每一条都可以单独拿出来用。我没有按难度排序但建议从第 1 条开始逐个试验找到你最容易上手的组合。2.1 角色设定法把模型“请进”一个身份里“你是一个资深的产品经理”“你是一个有 20 年经验的儿科医生”“你是一个毒舌但精准的科技评论员”。这可能是最容易被忽视、但见效最快的技巧。因为当你给模型一个角色时等于在它的海量训练数据里划定了一个极窄的“风格区间”它在这个区间里调用的词汇、句式、逻辑结构都会往这个角色的语料特征上靠。实测中我发现几个细节角色的行业越具体越好比如“你是一个做 B 端 SaaS 产品、客户是大型制造企业的高级产品经理”比“你是一个产品经理”效果好得多角色之后最好跟上任务背景比如“你正在帮我的团队设计一个库存预警功能的方案”让模型知道在什么场景下调用这部分能力。注意角色设定不是万能的别指望加了角色模型就真的具备专家能力。它更像一个“风格过滤器”让输出更接近你想要的领域语感但事实性内容仍然需要验证。2.2 提供示例Few-shot与其说一百句不如给它看一个很多人不知道大模型从例子中学到的比从指令中学到的更加准确。一个简单的测试就能说明问题你直接让模型“写一篇产品发布公告”和先给它一篇“你看这就是我们往期的发布公告风格新产品的公告你按这个风格来写”后者的风格相似度会明显更高。这就是 Few-shot 的核心逻辑用示例而不是描述来告诉模型“我要什么”。一个示例是最低配置能把准确率提升一大截三个左右的示例能覆盖大部分场景超过五个之后收益递减还容易让模型陷入对示例的过度模仿。所以我的习惯是能找 3 个高质量的示例就绝不写一大段形容词。写示例的时候有个小技巧示例本身最好带“标注”——比如示例里用【】标出哪些是变量、哪些是固定表达。这样模型会理解不是为了模仿字面而是模仿结构。2.3 结构化输出让模型按你的格式“填表格”如果你让模型“把这份报告的要点总结给我”你得到的一般是大段文字还得自己二次整理。但如果你说“把要点总结成表格第一列是问题第二列是影响第三列是建议”输出的东西几乎可以直接贴进周报里。大模型天然擅长做文本格式的转换利用这一点你会省掉大量的“搬运”工作。第 2.1 条里我已经说过模型是对格式很敏感的这里再强调一次格式本身也是一种提示。当你给了表格结构模型就相当于被“框”进了一个按列填充的模式里输出的稳定性和可读性都会大幅提高。除了表格JSON、Markdown 标题、列表、纯文本甚至“每一条不超过 30 字”这种约束都是结构化输出的范畴。关键是你要非常具体地定义输出格式。2.4 分步指令Chain of Thought让模型“先想再做”这是大数据上表现非常稳定的技巧核心做法是让模型把任务拆成步骤先梳理信息再列出判断依据再给出最终结论。这样做的原理是模型长文本生成时如果直接跳到结论容易跳错但如果它先写出推理过程生成结论时会自动参考自己前面写的内容前后一致性会显著提升。我记得之前让 AI 辅助做竞品分析直接问总是拿到一堆正确的废话。后来我改写为先列出需要对比的维度根据你掌握的公开信息逐项填写说明每个维度的判断依据给出综合结论。输出质量明显上一个台阶而且我还能拿着它列出的维度去验证它是不是真的审过一遍而不是瞎写。2.5 约束条件明确告诉模型“不要做什么”大多数人只在提示词里写“要做什么”很少写“不要做什么”。而在某些场景下反向约束比正向指令更有价值。比如做内容改写你可以加“不要使用专业术语用初中生能看懂的话说”做总结你可以加“不要超过 150 字不要使用‘首先、然后、最后’这种连接词”生成广告文案你可以加“不要用感叹号不要太像广告”。几条“不要”瞬间就能让模型跳出最常用的套路模板给到更适配你场景的结果。2.6 上下文锚定把关键背景信息“固定”在对话里大模型有上下文窗口不假但它的注意力是有限的越是靠近问题末尾的信息对生成结果的影响越强。所以一个非常实用的技巧是把最重要的背景信息、核心要求放在提示词的结尾部位或者至少把关键指令重复一遍。举个常见场景你上传了一份几十页的资料想让模型基于资料做摘要。光说“帮我总结重点”模型的注意力会被分散改成“基于上面这份资料重点总结第 3 章到第 5 章的内容注意这几个关键人物A、B、C”效果会明显更聚焦。所以核心是核心指令要“显眼”。如果有多个要求把最重要的需求放在最后一句或者在最后再强调一次。2.7 输出长度控制比“写长一点”更有效的是给结构大模型对字数的感知能力并不精准“写 800 字”它可能给你 1200 字或 500 字但如果换一种方式列 5 个小节每节 3-5 句话每句话不超过 30 个字输出结果会神奇地接近你要的长度。原因很简单模型是按“块”生成的给定了块数量和每块的建议长度它会相对准确地执行。所以我现在的做法是把“字数要求”翻译成人话翻译成结构。给 AI 布置任务时不要只写字数要写结构要求。这样它的输出才能更接近预期否则大概率要靠事后删改。2.8 自我校验指令让模型自己检查一遍“再检查一遍”“看看有没有漏洞”“你觉得上面这个方案里最大的风险是什么”——这些追问语句极其便宜却经常能挖出模型第一版回复里隐藏的逻辑破绽。原理是模型第一次生成时是“顺向自由发挥”容易顺着自己的生成逻辑一路写下去。而当你让它回头检查时相当于让它进入“批判模式”它会用另一套提示逻辑重新审视前面的内容因此能发现不少前后矛盾的地方。实操中我有一个习惯动作凡是让模型生成重要的对外文案、代码、数据结论之后总会追加一句“请对上面这个结果进行复核指出可能存在的问题并直接修改”。这一句追加等同于给自己加了一道质检。2.9 迭代式追问一次问完是偷懒分步追问才是技巧很多人在对话框里说“帮我写个方案”拿到一版就觉得完事了。但好的用法是第一轮先要框架第二轮针对框架里的薄弱点发问第三轮补充细节、要求改写优化。每一次迭代模型都会在上下文基础上生成更贴合你需求的内容。我个人的习惯是“三轮法”第一轮要框架第二轮要细化第三轮要定稿。三轮下来一个泛泛的初稿能迭代成可落地的方案。很多人觉得 AI 写得不好其实只是用了一半就放弃了。2.10 模板预设与变量化把一顿饭变成一条流水线这是第 5 部分会重点展开的先在这里说一下思路把高频使用的提示词拆成“固定结构 变量位”。每次使用时只改动变量不动结构。最开始会有一点成本但一旦沉淀下来每次产出的效果都是稳定的不会每次重新摸索。这个思想类似程序员说的“封装”——把复杂的逻辑藏起来只暴露必要的参数。做提示词也一样把大量指令细节藏进模板每次只填入本次任务的关键词不用把大脑内存浪费在重复描述上。3. 为什么这些技巧有效说人话的模型运行逻辑3.1 把大模型想象成一个“接龙游戏”上一节列了 10 条技巧如果你觉得有点散这里给你一个统一的心法大模型的文本生成本质上是一个接龙游戏——你给它上一句它根据训练时学到的语言概率分布猜下一句最可能是什么。这里的关键在于你给的上一句越具体、越有结构它猜的下一句就越受约束越接近你的目标。角色设定是在“接龙游戏”里选了一个风格区间示例是在给它提供“模仿样本”结构化格式是在给它铺“输出的轨道”分步指令是在强制它“先走推理再下结论”。所以技巧再多底层逻辑只有一条——控制好你这一端的输入模型那一端的输出就会跟着收敛。3.2 模型的两个“注意力”偏好开头和结尾Transformer 架构下的模型有一个显著的注意力特点对文本开头和结尾的注意力高于对中间部分的注意力。这意味着两件事第一重要信息要放到提示词的开头或结尾第二对话历史越长中间信息的权重越低这就是为什么长对话中模型会“忘记”早期内容。合理利用这个特性你会更清楚怎样安排你的提示词结构。结合实际操作来说开场用一个字表达核心任务退场前再强调一遍最重要约束。这是利用注意力偏好提升命中率的“作弊”手段。3.3 温度Temperature参数进阶玩家的控制杆如果你用的是 API 或者带参数设置的客户端会发现一个叫 Temperature 的旋钮它控制模型输出随机性值越高回复越发散、有创意值越低回复越发确定、保守。大多数平台默认值是 0.7 左右但根据任务类型你应该主动调整。写广告语、故事创意时调到 0.8-0.9它能给你意想不到的跳跃做摘要、提取、代码生成时建议调到 0.2 甚至更低让每次输出都稳定、准确、少幻觉。这个小技巧不算严格意义上的提示词但在实战中配合提示词调整效果好到会让你怀疑自己换了个模型。4. 10 个核心技巧的实战组合拳单独用每一条技巧都有提升但真正的高手是组合使用。这一节我把它整理成一套“组合公式”你可以直接套用。4.1 角色 背景 任务 格式 约束万能五要素万能五要素是我做提示词用得最频繁的框架基本可以应对 80% 的日常任务。格式如下你是[角色]我正在[背景/任务场景]请帮我做[任务]输出时采用[格式]注意[约束]如果没有特别说明不要追问直接给出结果。拿“产品周报”举个例子这个框架在工作中的实际效果是模型不会在开头跟你寒暄半天不会问一堆“你想要什么风格”这种场面的问题而是直接交付一份可读性很高的内容。4.2 示例武器库让模型“读三篇”再动笔当你要做一些风格要求较强的输出比如公司对外简报、课程文案、品牌故事最好附上几个真实样例。这个我反复验证过一个精心挑选的示例效果碾压十句形容词。给示例的时候一定要选你真正想要的风格而不是你手里随便找的东西。模型对示例的模仿能力比你想象的更强它能模仿到用词偏好。4.3 负面提示词清单把“不想要的”写到明面上在一些特定场景我会专门维护一个“黑名单提示词”库。做小红书文案不要写“姐妹们”和“谁懂啊”做技术文档不要写“总之、需要注意的是”做方案不要写“赋能”“抓手”“闭环”这种空词。一条一条写“不要”最终产出的文案会褪掉一层“AI味”更像个真人写的。4.4 多头并进一次让模型给三个选项当你不知道“标准答案”长什么样的时候与其让模型猜一次不如让模型给几个差异明显的选项。比如“请给我三个不同定位的产品口号一个偏科技感、一个偏温暖、一个偏直白并且标注各自的适用场景”。这个技巧的好处是它把一个单选变成了多选你来做判断模型只负责发散。选择效率远高于来回串行对话。5. 模板库直接复制、改改就用的 10 个模板这一节就是你想要的“模板库”。每一个模板都是上面技巧的组合落地我按照使用场景分好了类。使用方法很简单把方括号【】里的内容替换成你实际的任务信息其余部分可以直接用。5.1 模板一通用内容生成适用场景文章初稿、方案初稿、视频脚本。复制即用你是一位资深的【领域】内容创作者擅长把复杂的话题讲得通俗易懂。 我的读者群体是【目标读者】他们最关心的问题是【核心痛点】。 请围绕主题【文章主题】写一篇内容。 要求如下 1. 开头用一句有价值的话点明主题不寒暄。 2. 正文分【3-5】个小节每个小节先用核心观点领起再展开说明。 3. 语气【自然、专业、不说教】。 4. 结尾直接给出实操建议不做总结升华。 5. 全文不出现“总而言之”“综上所述”“随着……的发展”等空话。5.2 模板二信息总结与提炼适用场景长文档总结、会议纪要整理、资料分析。复制即用你是一位高效的信息分析师。 请阅读以下内容提炼出核心信息。 输出要求 1. 用表格呈现列包含主题 | 核心结论 | 关键论据 | 我的可行动项。 2. 每条结论控制在【50】字以内论据控制在【100】字以内。 3. 如果原文存在数据请标注出来。 4. 文中没有明确的信息请标注“未提及”不要自行推测。 [粘贴待总结内容]5.3 模板三文案改写与润色适用场景改写营销文案、优化措辞、去除 AI 感。复制即用你是一位擅长【文案类型】的中文编辑。 下面这段文字需要改写成【目标风格】。 改写要求 1. 保留原意但重新组织表达方式不逐句替换。 2. 使用短句段落不超过【4】行。 3. 删除所有形容词堆砌、空泛的口号。 4. 避免使用“赋能”“抓手”“闭环”“痛点”等词。 5. 输出两个版本版本一专业克制版本二轻松口语。 【待改写内容粘贴处】5.4 模板四头脑风暴与创意生成适用场景起标题、想选题、创意策划。复制即用你是一位发散思维极强的创意顾问。 我的任务是【描述你的任务比如为一款帮助用户记账的 APP 起 10 个名字】。 请给我【数量】个方案要求 1. 覆盖多个角度直接描述型、场景联想型、情感共鸣型、酷炫创新型。 2. 每个方案用一句话解释思路方便我判断。 3. 如果有可能给每个方案标注适合的渠道或人群。 4. 不用追求四平八稳敢于给我一些跳脱但可落地的想法。5.5 模板五逻辑推理与分析适用场景决策分析、风险排查、复杂问题判断。复制即用你是一位严谨的分析师。请按照以下步骤回答我的问题 第一步列出你已知的所有相关事实 第二步识别事实之间的因果关系 第三步列出可能存在的未知变量和风险 第四步基于以上分析给出结论并明确说明结论的置信度是高还是中还是低 第五步指出在什么信息补充后可以把置信度提升到更高。 我的问题是【你的问题】。5.6 模板六内容改写“去 AI 味”适用场景任何觉得像机器写的文本。复制即用请将下面这段文字改写得像一位真实经验的人在表达而不是 AI 生成的 改写原则 1. 增加具体细节可基于你的生活经验合理补充。 2. 句子节奏长短交替避免整齐划一的排比句式。 3. 适当使用“我试过”“实际上”“说实话”等口语标记。 4. 减少“然而”“此外”“总而言之”等书面连接词。 5. 保留所有事实信息不新增虚假内容。 【待改写文本粘贴处】5.7 模板七代码辅助适用场景写代码、调 BUG、解释逻辑。复制即用你是一位资深【编程语言】开发工程师。 请帮我实现以下功能 功能描述【用自然语言描述你要实现的逻辑】。 输入输出要求【说明接收什么数据、返回什么结构】。 补充要求 1. 代码需要加注释注释解释“为什么”而不是“是什么”。 2. 考虑到异常输入情况的处理。 3. 先给出方案思路再输出完整代码。 4. 不解释代码基础语法。5.8 模板八翻译与本地化适用场景跨语言翻译、文档本地化。复制即用你是一位专业的【目标语言】本地化专家。 请将下面的文本翻译成【目标语言】。 要求 1. 不要逐字直译要符合目标语言的自然表达习惯。 2. 专业术语使用目标语言地区的通用说法。 3. 保持原文的语气和风格正式就正式口语就口语。 4. 如有文化差异请在括号里加一句注释说明。 【待翻译文本粘贴处】5.9 模板九结构化提示词模板适合 API 调用适用场景开发者的系统提示词。复制即用{ system_prompt: 你是一个【角色】。你始终遵守以下准则\n1.【准则1】。\n2.【准则2】。\n3.【准则3】。, user_prompt_template: 请根据以下信息完成任务\n【动态变量1】\n【动态变量2】\n输出格式【指定格式】, temperature: 0.3, max_tokens: 800 }5.10 模板十个人知识管理助手适用场景把 AI 作为一个可以对话的“第二大脑”。复制即用你是我个人知识管理助手。 我的目标领域是【领域】。 请结合你掌握的知识以及我提供的资料【若有】完成以下操作 1. 将信息整理成结构化笔记使用标题和列表 2. 提取出最值得记住的 3 个核心观点 3. 提出 2 个值得我进一步思考的问题 4. 建立这份笔记与以下关联主题的联系【关联主题】 输出保持简洁不做客套话。6. 实操案例一次完整的提示词迭代过程光给模板还不够我把一次真实的迭代过程完整拆给你看。6.1 第一版提示词效果平庸到想放弃假设我需要一份关于“企业知识库落地”的方案第一版帮我写一份企业知识库落地方案。模型输出结果是一份结构完整但其实换谁都能写出来的“八股文档”。术语堆砌、缺乏重点、没有可执行细节。这是大多数人第一次用 AI 的体验——觉得它“好像什么都会但什么都不好使”。6.2 第二轮优化加入角色、背景、约束我给它加了完整的上下文约束你是一位主导过 5 个企业知识库项目的咨询顾问。 请为我负责的团队30人规模分散在3个城市写一份知识库落地执行方案。 团队当前核心痛点新人培训周期长、项目文档散落在各个IM群和网盘中。 输出要求按阶段划分实施步骤每一阶段需要明确交付物和时间预估。 控制整体篇幅在 800 字左右用词直接不要空谈“赋能”和“闭环”。这一版输出立刻有了明显变化它开始针对“30 人、三个城市、文档散落”这些具体信息展开给出的方案也更贴近真实项目管理逻辑。虽然没有非常深入的洞察但已经可以拿去当讨论底稿了。6.3 第三轮迭代基于输出继续追问此时我没有重写提示词而是顺着它输出的方案做追问“第一阶段里的调研问卷帮我列出 10 个问题出来。”“以我们 30 人团队的预算水平用开源工具和 SaaS 工具体验差异大吗”“我准备试点先跑 3 个月试点部门选哪个合适”三轮下来一份泛泛的方案就变成了可以用在周会上和团队对齐的落地计划。整个过程花费不到 20 分钟。这个案例里反映的最重要的一点是提示词工程不只是“一锤子买卖”更是一门“对话管理”的技术。7. 常见问题排查与避坑技巧7.1 角色设定没用模型还是说得很空角色设定失效一般有三个原因角色太泛任务与角色不匹配上下文太长导致角色信息被“冲淡”。解决办法是把角色改得更具体在提示词后半部分重新提醒角色或者把角色描述放在离任务指令最近的位置。7.2 模型总是输出一大段话怎么让它“闭嘴”嫌模型啰嗦的时候单纯说“简短一点”效果有限。更好的方式是给它一个“硬性结构”比如“每条结论不超过 30 个字只输出结论不输出解释”“用一段话、三句话来回答”。模型对结构约束的敏感度远远高于形容词约束这是我在大量实践中总结出来的规律。7.3 模型幻觉严重编造不存在的“事实”幻觉是模型生成机制里最令人头疼的问题之一。降低幻觉的关键操作有三个第一让模型“基于我提供的信息”而不是“根据自己的知识”作答第二要求它明确标注信息来源第三让它在不确定时直接说“不确定”而不是编一个最像样的答案。比如在提示词末尾加“如果以上信息中存在你不确定或记忆模糊的部分请明确标注不要编造。宁可降低回答问题数量也不要虚构内容”。这样加一句能有效减少“一本正经胡说八道”的情况。7.4 模板保存了不少但用起来还是怎么都不得劲模板是死的项目是活的。我建议每次用完模板后花 1 分钟调整模板里的“表达习惯”比如加一条你偏好的语气要求。把这些迭代回收到模板里去。一个月后你会发现手上的模板已经变成专属于你的“定制款”复制出去的每一个都自带你的工作习惯。7.5 有没有必要学复杂的提示词框架网上能看到很多复杂的框架比如 CO-STAR、CRISPE 这种本质上就是把“角色、上下文、指令、格式、约束”反复包装。我的建议是不要为了学框架而学框架抓住“角色 背景 任务 格式 约束”这个底层骨架就已经超越了大多数使用者。框架的作用是辅助记忆真正起作用的还是你对任务的理解。8. 我最终沉淀的几条个人心得做了大半年提示词工程见了太多团队也好、个人也好对这个东西高估或低估。在这篇文章的结尾我想说三条不算总结的个人体会。第一提示词工程的门槛比想象中低天花板比想象中高。你不需要会编程才能入门哪怕从“给 AI 加一个角色”开始就能立刻感受到变化。但如果你愿意花时间练习结构化表达、迭代调试和复盘它的上限是可以直接改变你的工作方式的。第二别追求“万能提示词”那是伪命题。每个任务、每个模型版本、甚至每次对话的上下文都会影响输出结果。与其到处收藏“万能模板”不如掌握“万能调试法”先写一个基础版运行观察修改再运行。这个方法才真正万能。第三多和模型“刁难式”对话。用“有没有更好的方案”“这里为什么这么设计”“如果换一个条件会怎样”这类追问式指令会倒逼模型调取更深层的知识也会暴露它逻辑链条里潜在的问题。这是我平时用来训练自己判断力的方法也是让 AI 工具持续发挥价值的一个关键习惯。这些年做内容、带团队、跑项目我自己最深的感受是工具越强人的判断力越值钱。提示词工程只是把“和机器沟通”这件事变得更可控而控制权最终会回到你手里——你才是最核心的那个变量。