1. 提示词工程的底层逻辑模型到底在听什么我经常在技术社群里看到有人贴出一段对话记录配一句这模型真笨。点开一看prompt 就一句话帮我写个方案。模型给出的答案自然也只能是那种放之四海而皆准的空模板。提示词工程这件事说白了就是用正确的输入方式把模型的真实能力激活出来。这篇文章整理了我日常工作中最常用的10个提示词技巧覆盖指令清晰、格式控制、复杂任务编排三个层次并附带一套可以复制后直接改用的模板库。无论你是刚开始接触大模型的新手还是已经在用 AI 辅助生产的重度用户下面这些内容都能立即用上。先理解一个基础事实大模型是一个概率模型它根据你给出的全部上文也就是 prompt逐字预测下一个最可能出现的 token。这意味着两件事。第一你的 prompt 是模型唯一的上下文来源。它不会读心你写漏的背景它只能靠猜。第二prompt 里的每一句话都在影响生成分布包括你随手加的语气词和无关修饰。这就是为什么同一个模型有人用起来像资深专家有人用起来像刚入职的实习生。差距不在模型而在输入质量。我习惯把提示词工程的核心拆成三个支柱指令清晰度模型能不能看懂你到底要它做什么。上下文完备度模型有没有足够的信息去做这件事。输出约束度模型是否知道结果应该长成什么样。绝大部分翻车的提示词都逃不出这三个问题。要么指令含混帮我弄一下这种话模型真的不知道怎么执行要么背景缺失只给一句话让模型优化它连你要优化的方向都不知道要么没有格式约束你只想要三条要点它给你写了一篇三千字论文。下面这10个技巧本质上都是围绕这三个支柱展开的。我把它们按三层来组织前四招解决指令说得清中间三招解决输出做得好最后三招解决复杂任务推得动。每一条都是我实际验证过、能稳定提升输出质量的套路。2. 前四招把指令从含混变清晰这一组技巧解决的是模型听不听得懂人话的问题。四种做法没有严格的先后顺序组合使用效果更佳。2.1 技巧 1角色设定让模型进入专业状态角色设定是目前性价比最高、最容易上手的一招在 prompt 开头加一句你是……输出质量往往立刻上一个台阶。试想这两种写法普通版帮我改一篇文章。角色版你是一名从业15年的科技媒体资深编辑擅长把技术内容改写成普通读者也能看懂的文字。请帮我修改以下文章保留核心信息降低阅读门槛。角色版之所以有效是因为语言模型在训练时见过海量按角色区分的文本。指定角色相当于在巨大的参数空间里帮你划出一个子区域让模型优先调用那个区域的表达方式。它不改变模型的能力上限但会显著改变输出的风格分布。用行业里的说法就是给模型切换了一个人格先验。实操上有个容易被忽略的点角色描述越具体越好。你是一名文案远远不够要写到你是一名面向25-35岁都市白领的公众号文案文风轻快、段落短、善用生活化类比输出才会真正贴合需求。角色里的每一个限定词都在缩小模型的搜索范围。2.2 技巧 2任务动词前置第一句话就交底我发现很多人写 prompt 喜欢先铺垫一堆背景最后才说所以帮我总结一下。模型虽然能处理长上下文但沟通效率上指令越靠前越不容易跑偏。正确姿势是第一句话用祈使句告诉模型做什么然后再补背景和细节。低效版我下周要做个汇报内容涉及Q3的销售数据最近团队业绩压力比较大领导比较关注增长趋势你能帮我看看怎么讲比较好吗高效版请为我的Q3业务汇报设计一个讲述框架。背景如下[两到三句关键背景]。目标让管理层看到增长趋势和归因分析。汇报时长10分钟。这个差异不在用词高级而在顺序先交底任务再给信息。模型处理长 prompt 时对开头和结尾的内容权重往往更高。所以关键指令放在开头关键约束放在结尾重复强调这是成本最低的优化手段。2.3 技巧 3上下文投喂把模型当成新来的实习生这是我最常被问到的问题为什么模型写的东西那么假大空答案八成是上下文没给够。想象你招了一个很聪明的实习生能力很强但完全不认识你的业务、没见过你的客户、不知道你的风格。你丢一句帮我写个方案他只能基于常识写一套四海皆准的模板。模型也是这个逻辑你喂多少背景它就产出多少贴合的方案。按以下四个维度给上下文基本不会漏目标受众给 CEO 看的还是给一线执行看的完全是两套写法。风格参考如果你有类似的范文直接贴给它当参照。约束条件字数、语气、禁忌词、必须包含的关键信息。已有材料数据、事实、前置结论能贴就贴别让模型自己脑补。这里分享一个简单的自检方法把你的 prompt 发给一个完全不了解背景的朋友问他能不能直接执行。如果他能模型通常也能。如果你自己都说不清那就先别怪模型。2.4 技巧 4Few-shot 示例驱动给一个标杆输出与其费劲描述你要什么不如直接给模型看一个例子这就是 few-shot prompting在正式任务之前先给 2-3 组输入-期望输出的示例。这招对两类任务特别有效。第一类是格式敏感型任务比如从文本里抽取结构化信息、做格式转换第二类是风格模仿型任务比如改写文案、仿写特定语气的内容。这两种任务靠文字描述总会有偏差但例子摆在那里模型反而学得快。示例不是越多越好2-4 个高质量示例通常就够再多会稀释注意力还会白白增加 token 消耗。关键是示例要覆盖边界情况比如你希望模型能识别讽刺语气、能处理数据缺失一定要在示例里体现。否则你测试时觉得挺准一到真实场景就垮掉因为边界情况你没教过它。3. 中三招从能回答到答得好第一梯队解决听懂这一梯队解决做好。很多用户停留在模型能给出答案的层面但答案的质量和可控性靠的是下面这三个技巧。3.1 技巧 5输出格式限定先定框架再写内容让模型列三个方案它给你长篇大论讲了十个让它给 JSON它混进来一段解释文字。这不是模型蠢是你没规定格式。输出格式限定是成本最低、收益最明显的约束。常见做法有几种用 Markdown 结构限定用二级标题分块每块用表格呈现关键指标。用代码格式限定只输出 JSON不要任何解释文字格式如下{...}用数量限定每条不超过 50 字一共给出 5 条。用骨架限定直接把输出框架写出来让模型往里填内容。把格式限定和 few-shot 结合效果最好先给出期望输出的示例结构再说请严格参照此格式输出。请提炼以下会议纪要中的行动项以表格输出列为 负责人 | 事项 | 截止时间 | 备注 只输出表格不要额外说明。注意格式要求最好放在 prompt 末尾再强调一次。模型对越靠近结尾的指令遵循度越高。我自己写 prompt 的习惯是开头交任务中间给材料末尾锁格式。3.2 技巧 6思维链让模型先想后答针对数学题、逻辑分析、方案设计这类需要多步推理的任务直接问答案容易出错。一个简单有效的方法是要求模型一步一步地想最后再给出结论也就是思维链Chain-of-Thought。普通版这件商品定价399元成本180元平台抽佣5%满减活动满300减50请问单件净利润是多少思维链版请分步骤计算这件商品的净利润1先列出收入和成本明细2计算平台抽佣3计算满减分摊4最后得出单件净利润。请展示每一步的计算过程。为什么要这样写大模型生成文本时中间输出的 token 其实承担了工作记忆的角色。让它把中间步骤写出来等于给它一张草稿纸能大幅降低跳步骤导致的算错概率。实操经验是不要只加一句lets think step by step就完了最好在 prompt 里明确写出推理结构比如先拆解问题再逐步计算最后总结答案。显式引导推理路径比单纯催它认真想稳定得多。3.3 技巧 7自我检查生成一次、自查一次模型也会嘴瓢尤其是在长文本和复杂逻辑里。对于重要输出加一轮自查能显著降低错误率。做法是在同一轮对话中追加指令请检查你上一条回答找出任何可能的错误、遗漏或与事实不符之处然后输出修订版。如果无需修改请直接回复无需修改。这个技巧的原理是生成和检查是两种不同的认知模式。模型在挑错模式下注意力会更集中在逻辑矛盾和事实缺口上相当于让它做自己的审稿人。打个比方你写完一篇文章当场通读往往发现不了错别字隔一天再看却能找出好几处。模型没有隔一天的能力但你可以逼它切换模式。我自己实测下来这个操作对长文本、技术方案、代码逻辑这三类任务效果最明显。需要注意的是自查会多消耗一轮 token、多等一会儿重要内容值得随手小任务就没必要了。4. 后三招复杂任务不靠蛮力靠编排当任务复杂度上来以后单条 prompt 就开始失灵了。这时候要上真正的工程手段也就是把一个大任务拆成可管理的小任务并给模型划清边界。4.1 技巧 8任务分解与链式提示把一个需求拆成三步分析数据并写出汇报 PPT 大纲还要配演讲词这种多目标任务一次性丢给模型它很容易顾此失彼。更靠谱的姿势是拆成多条 prompt逐条执行前一条的输出作为后一条的输入。我常用的拆分逻辑是这样的先做结构化分析请阅读以下数据找出 3 个核心趋势并说明判断依据。再生成内容骨架基于上述趋势生成汇报 PPT 的大纲包含 4 页现状、趋势、原因、建议。最后润色交付将大纲扩展为演讲稿每页配一段 60 秒的口播词语气专业但不生硬。拆开的好处有三个。第一每一步的输出质量都更高因为模型一次只需专注一件事。第二出了问题容易定位是分析错了还是扩展错了一眼就能看出来。第三中间步骤可以人工介入修正不会一条路走到黑。缺点是多次调用会慢一些、token 成本高一些但对于重要任务这点成本完全值得。4.2 技巧 9边界与反向约束告诉模型不要做什么大多数人只告诉模型要做什么忘了说不要做什么。反向约束在某些场景下比正向追求更关键。典型的边界声明长这样不要使用赋能抓手闭环等空话套词。如果信息不足直接说信息不足不要编造数据。不要给出模糊建议每条建议必须附带具体执行步骤。只基于用户提供的资料作答不要引入外部常识。边界声明对两类任务尤其关键一类是写文案用来防止 AI 腔调另一类是处理事实性问题用来防止模型一本正经地胡说八道。这里有一个细节边界声明不要写太多。超过 5 条约束prompt 会显得臃肿模型反而抓不住重点。挑最能影响质量的 2-3 条写清楚剩下的靠迭代反馈去修正。4.3 技巧 10迭代优化把提示词当代码来维护最后一招也是贯穿全程最重要的一招把提示词当成代码来看待。没有程序员能一次把 bug 写没提示词也一样。第一次输出不满意不代表模型不行更不代表这套方法论没用只说明这版 prompt 还有优化空间。我建议养成四个习惯记录版本每次修改 prompt 都存一个版本标注改动点和效果变化方便回滚。单变量原则一次只改一个变量。同时改了格式和措辞效果变了你根本不知道是哪个变量起的作用。建立测试集挑 3-5 个固定测试任务每次改完 prompt 都在测试集上跑一遍对比输出质量。沉淀模板跑通的 prompt 存进自己的模板库下次同类任务直接改占位符就能用。坚持这轮操作你会发现自己不是在和 AI 聊天而是在配置一个生成器。这两种心态下的产出质量完全是两个量级。5. 模板库上手即用8 个高频场景直接抄下面是我从自己常用 prompt 里整理出的 8 个场景模板均使用 [占位符] 标注需要替换的部分。复制后改一改就能用省去从零开始调试的时间。5.1 内容改写模板角色你是一名资深内容编辑擅长在不改变原意的前提下提升表达质量。 任务改写以下文本。 要求 1. 保留全部关键信息不新增事实。 2. 目标读者[目标读者描述]。 3. 风格[轻松口语 / 严谨专业 / 面向大众]。 4. 控制段落简短可用符号或列表分点。 5. 如果原文有冗余内容可以删减但需说明删减原因。 原文 [粘贴原文]这个模板的精髓在不新增事实和删减需说明原因两条约束。它们能有效防止模型在改写时自由发挥也能让你清楚知道它动了哪些内容。没有这两条模型很容易把原文改得面目全非。5.2 会议纪要模板你是一名会议助理请根据以下会议记录生成结构化的会议纪要。 输出结构 ## 会议主题 [一句话概括] ## 关键结论 - 结论1 - 结论2 ## 行动项 | 负责人 | 事项 | 截止时间 | ## 待讨论事项 [列出需要下次会议继续讨论的问题] 注意事项 - 只基于提供的记录内容不要补充编造。 - 行动项必须从记录中识别负责人找不到就写待确认。 会议记录 [粘贴原始记录]注意待确认这个兜底写法很重要。模型对找不到负责人这类缺失信息默认倾向是编一个出来明确告诉它可以写待确认就从源头上堵住了幻觉。5.3 通用分析报告模板角色你是一名 [行业] 领域的数据分析师。 任务基于以下材料产出一份分析报告。 输出结构 1. 核心结论3条以内每条一句话 2. 关键依据对应每条结论给出支撑信息 3. 风险提示材料中可能存在的偏差或信息缺口 4. 建议行动按优先级排序 约束 - 每条结论必须能在材料中找到依据禁止推测。 - 如果材料不足以得出结论明确写证据不足。 [粘贴材料]这个模板最值得借鉴的是风险提示和证据不足两个设计。大多数 prompt 只要求模型给结论从没要求它审视材料本身。加这两条之后报告的可信度完全不一样。建议团队做决策分析时重点使用。5.4 代码生成与解释模板你是 [语言] 方向的资深工程师。请完成以下任务 任务[描述功能需求] 要求 1. 输出完整可运行的代码。 2. 关键逻辑添加中文注释。 3. 处理边界情况[描述输入异常时应该怎么处理]。 4. 最后用3行以内总结实现思路。第 4 条是我额外加的。让模型用三行总结实现思路既是给读者看的也是在逼模型先理清逻辑、再写代码整体代码质量会更高。这个技巧在复杂功能开发时效果尤其明显。5.5 学习讲解模板请用费曼学习法帮我理解 [概念]。 输出方式 1. 先用一句大白话解释这个概念。 2. 给出1个生活中的类比。 3. 拆解它的核心组成部分每一项配一句通俗解释。 4. 举一个具体的使用场景。 5. 最后列出常见的理解误区。大白话 → 类比 → 拆解 → 场景 → 误区这个结构几乎覆盖了理解一个新概念的所有维度尤其适合陌生领域入门。我觉得最有价值的是最后一项理解误区能把脑子里潜在的错误认知提前暴露出来。5.6 营销文案模板角色你是一名擅长 [平台如小红书/公众号] 的营销文案。 任务为 [产品/服务] 撰写 [类型如种草笔记/活动推广] 文案。 产品信息 - 产品[产品名] - 核心卖点[卖点1]、[卖点2] - 目标用户[用户画像] - 本次转化目标[如跳转链接/私信咨询] 要求 1. 开头3行内出现核心卖点。 2. 避免广告法违禁词不做绝对化承诺。 3. 结尾引导 [期望行动]不生硬。要求 2 是我吃过亏之后加进去的。模型生成的营销文案里经常出现全网第一最好用这类词发出去是有合规风险的。提前声明这两条能省掉大量后期人工修改。5.7 头脑风暴模板你是一名 [领域] 的创意总监。请为 [问题/目标] 提供 10 个解决方案。 要求 1. 覆盖面广传统、创新、低成本、高成本方案都要有。 2. 每个方案用2-3句话描述包含大致的执行思路。 3. 最后给出推荐排序并说明理由。 4. 明显不可行的方案直接标注不建议并说明原因。第 3、4 条要求是让头脑风暴结果真正可用的关键。没有排序和淘汰机制的方案清单只是一堆飘在空中的点子有了这两个约束模型就会自己先做一轮筛选和判断你拿到的直接是可决策的建议。5.8 翻译与本地化模板请将以下文本翻译成 [目标语言]并做本地化处理 1. 保留原意但按目标语言母语者的习惯调整语序和表达。 2. 专业术语优先使用 [领域] 的通用译法首次出现可保留原文。 3. 如果有双关语、俚语或文化梗在译文后用 [括号] 说明翻译策略。 4. 输出格式译文 翻译说明若有。 原文 [粘贴文本]把本地化和翻译说明写进要求是我认为这个模板区别于普通翻译的关键。直接说翻译成英文得到的往往是生硬的字面转换加上这些约束后模型会主动处理文化差异译文才真正能用。6. 调试提示词踩过的坑从答非所问到一次到位最后分享一些我在反复调试中总结的经验。这些内容教科书里不会写但真正干活的时候非常好用。6.1 快速诊断表遇到输出不理想先别急着重写整段 prompt按下面这个表排查最省时间症状大概率原因优先调整方向输出跑题、答非所问指令不明确或淹没在长背景里任务动词前置首句交底结果太泛、正确的废话缺少上下文和约束补充受众、风格、禁忌、示例逻辑错误、算错数任务太复杂直接作答容易跳步引入思维链要求展示计算步骤格式混乱、不按要求格式要求写得太晚或太模糊末尾重复约束配合 few-shot 示例内容编造、无中生有材料不足缺少反向约束声明证据不足时直接说明风格不对味缺少风格参考或角色设定加角色描述或喂一段范文这张表覆盖了日常 80% 的问题。剩下的 20% 属于模型本身的随机波动重跑一次或者微调几个用词就能解决。6.2 一个典型的调试案例有一次我需要让模型给客户写一封产品使用异常但语气友善的邮件。第一版 prompt 写的是写一封关于产品出问题的邮件给客户要客气一点。模型给出的邮件确实很客气但通篇没说明问题怎么解决客户看了只会更焦虑。这就是典型的方向对但内容空。我的修改过程分四步补角色和受众你是一名客户成功经理客户是中小企业的运营负责人他们最关心的是问题何时解决、是否需要自己操作。补邮件结构邮件包含致歉 → 问题原因概述 → 已采取的补救措施 → 客户需要做什么如需→ 后续保障。补语气约束语气诚恳但不卑微用词简洁避免过度道歉。补信息占位[问题原因] 和 [预计解决时间] 处留空由我填写。四步走完第二版邮件从空泛道歉变成清晰告知加安抚。这个案例里没有任何高深技巧只是依次补上角色、结构、语气、占位符每一步都在解决一个具体的为什么不好用。调试 prompt 时就应该保持这种一个问题对应一处修改的思路。6.3 关于提示词的几个常见误区最后列几个我见过最多的误区对照自查一下误区一以为 prompt 越长越好。实际上信息密度比长度重要得多。300 字的精准描述远胜 1000 字的车轱辘话。误区二一遇到输出不好就换模型。不同模型对同一 prompt 的表现确实有差异但先怀疑自己的 prompt永远比先怀疑模型理性。换模型成本高改 prompt 成本低。误区三把提示词工程等同于咒语。网上流传的神奇咒语也许有效但脱离你的具体任务和场景咒语毫无通用性。理解了原理你自己就能造咒语。误区四过度依赖第一次输出。同一道题可以让模型多生成几个版本从中挑或者把几个版本融合效果往往比第一次输出高出一个档次。尤其是文案类和方案类任务这个技巧屡试不爽。我在实际使用中还有一个体会比较深写 prompt 前多花三分钟把背景写够远好过之后跟模型来回拉扯十分钟。很多人不愿意在 prompt 上花时间宁可一遍遍补对话这是最不划算的用法。提示词工程不是玄学它是把思考前置、把需求讲透的沟通基本功。你在输入上多花的心思最终都会以输出质量的形式加倍还回来。
提示词工程实战：10个技巧与模板，激活大模型潜力
1. 提示词工程的底层逻辑模型到底在听什么我经常在技术社群里看到有人贴出一段对话记录配一句这模型真笨。点开一看prompt 就一句话帮我写个方案。模型给出的答案自然也只能是那种放之四海而皆准的空模板。提示词工程这件事说白了就是用正确的输入方式把模型的真实能力激活出来。这篇文章整理了我日常工作中最常用的10个提示词技巧覆盖指令清晰、格式控制、复杂任务编排三个层次并附带一套可以复制后直接改用的模板库。无论你是刚开始接触大模型的新手还是已经在用 AI 辅助生产的重度用户下面这些内容都能立即用上。先理解一个基础事实大模型是一个概率模型它根据你给出的全部上文也就是 prompt逐字预测下一个最可能出现的 token。这意味着两件事。第一你的 prompt 是模型唯一的上下文来源。它不会读心你写漏的背景它只能靠猜。第二prompt 里的每一句话都在影响生成分布包括你随手加的语气词和无关修饰。这就是为什么同一个模型有人用起来像资深专家有人用起来像刚入职的实习生。差距不在模型而在输入质量。我习惯把提示词工程的核心拆成三个支柱指令清晰度模型能不能看懂你到底要它做什么。上下文完备度模型有没有足够的信息去做这件事。输出约束度模型是否知道结果应该长成什么样。绝大部分翻车的提示词都逃不出这三个问题。要么指令含混帮我弄一下这种话模型真的不知道怎么执行要么背景缺失只给一句话让模型优化它连你要优化的方向都不知道要么没有格式约束你只想要三条要点它给你写了一篇三千字论文。下面这10个技巧本质上都是围绕这三个支柱展开的。我把它们按三层来组织前四招解决指令说得清中间三招解决输出做得好最后三招解决复杂任务推得动。每一条都是我实际验证过、能稳定提升输出质量的套路。2. 前四招把指令从含混变清晰这一组技巧解决的是模型听不听得懂人话的问题。四种做法没有严格的先后顺序组合使用效果更佳。2.1 技巧 1角色设定让模型进入专业状态角色设定是目前性价比最高、最容易上手的一招在 prompt 开头加一句你是……输出质量往往立刻上一个台阶。试想这两种写法普通版帮我改一篇文章。角色版你是一名从业15年的科技媒体资深编辑擅长把技术内容改写成普通读者也能看懂的文字。请帮我修改以下文章保留核心信息降低阅读门槛。角色版之所以有效是因为语言模型在训练时见过海量按角色区分的文本。指定角色相当于在巨大的参数空间里帮你划出一个子区域让模型优先调用那个区域的表达方式。它不改变模型的能力上限但会显著改变输出的风格分布。用行业里的说法就是给模型切换了一个人格先验。实操上有个容易被忽略的点角色描述越具体越好。你是一名文案远远不够要写到你是一名面向25-35岁都市白领的公众号文案文风轻快、段落短、善用生活化类比输出才会真正贴合需求。角色里的每一个限定词都在缩小模型的搜索范围。2.2 技巧 2任务动词前置第一句话就交底我发现很多人写 prompt 喜欢先铺垫一堆背景最后才说所以帮我总结一下。模型虽然能处理长上下文但沟通效率上指令越靠前越不容易跑偏。正确姿势是第一句话用祈使句告诉模型做什么然后再补背景和细节。低效版我下周要做个汇报内容涉及Q3的销售数据最近团队业绩压力比较大领导比较关注增长趋势你能帮我看看怎么讲比较好吗高效版请为我的Q3业务汇报设计一个讲述框架。背景如下[两到三句关键背景]。目标让管理层看到增长趋势和归因分析。汇报时长10分钟。这个差异不在用词高级而在顺序先交底任务再给信息。模型处理长 prompt 时对开头和结尾的内容权重往往更高。所以关键指令放在开头关键约束放在结尾重复强调这是成本最低的优化手段。2.3 技巧 3上下文投喂把模型当成新来的实习生这是我最常被问到的问题为什么模型写的东西那么假大空答案八成是上下文没给够。想象你招了一个很聪明的实习生能力很强但完全不认识你的业务、没见过你的客户、不知道你的风格。你丢一句帮我写个方案他只能基于常识写一套四海皆准的模板。模型也是这个逻辑你喂多少背景它就产出多少贴合的方案。按以下四个维度给上下文基本不会漏目标受众给 CEO 看的还是给一线执行看的完全是两套写法。风格参考如果你有类似的范文直接贴给它当参照。约束条件字数、语气、禁忌词、必须包含的关键信息。已有材料数据、事实、前置结论能贴就贴别让模型自己脑补。这里分享一个简单的自检方法把你的 prompt 发给一个完全不了解背景的朋友问他能不能直接执行。如果他能模型通常也能。如果你自己都说不清那就先别怪模型。2.4 技巧 4Few-shot 示例驱动给一个标杆输出与其费劲描述你要什么不如直接给模型看一个例子这就是 few-shot prompting在正式任务之前先给 2-3 组输入-期望输出的示例。这招对两类任务特别有效。第一类是格式敏感型任务比如从文本里抽取结构化信息、做格式转换第二类是风格模仿型任务比如改写文案、仿写特定语气的内容。这两种任务靠文字描述总会有偏差但例子摆在那里模型反而学得快。示例不是越多越好2-4 个高质量示例通常就够再多会稀释注意力还会白白增加 token 消耗。关键是示例要覆盖边界情况比如你希望模型能识别讽刺语气、能处理数据缺失一定要在示例里体现。否则你测试时觉得挺准一到真实场景就垮掉因为边界情况你没教过它。3. 中三招从能回答到答得好第一梯队解决听懂这一梯队解决做好。很多用户停留在模型能给出答案的层面但答案的质量和可控性靠的是下面这三个技巧。3.1 技巧 5输出格式限定先定框架再写内容让模型列三个方案它给你长篇大论讲了十个让它给 JSON它混进来一段解释文字。这不是模型蠢是你没规定格式。输出格式限定是成本最低、收益最明显的约束。常见做法有几种用 Markdown 结构限定用二级标题分块每块用表格呈现关键指标。用代码格式限定只输出 JSON不要任何解释文字格式如下{...}用数量限定每条不超过 50 字一共给出 5 条。用骨架限定直接把输出框架写出来让模型往里填内容。把格式限定和 few-shot 结合效果最好先给出期望输出的示例结构再说请严格参照此格式输出。请提炼以下会议纪要中的行动项以表格输出列为 负责人 | 事项 | 截止时间 | 备注 只输出表格不要额外说明。注意格式要求最好放在 prompt 末尾再强调一次。模型对越靠近结尾的指令遵循度越高。我自己写 prompt 的习惯是开头交任务中间给材料末尾锁格式。3.2 技巧 6思维链让模型先想后答针对数学题、逻辑分析、方案设计这类需要多步推理的任务直接问答案容易出错。一个简单有效的方法是要求模型一步一步地想最后再给出结论也就是思维链Chain-of-Thought。普通版这件商品定价399元成本180元平台抽佣5%满减活动满300减50请问单件净利润是多少思维链版请分步骤计算这件商品的净利润1先列出收入和成本明细2计算平台抽佣3计算满减分摊4最后得出单件净利润。请展示每一步的计算过程。为什么要这样写大模型生成文本时中间输出的 token 其实承担了工作记忆的角色。让它把中间步骤写出来等于给它一张草稿纸能大幅降低跳步骤导致的算错概率。实操经验是不要只加一句lets think step by step就完了最好在 prompt 里明确写出推理结构比如先拆解问题再逐步计算最后总结答案。显式引导推理路径比单纯催它认真想稳定得多。3.3 技巧 7自我检查生成一次、自查一次模型也会嘴瓢尤其是在长文本和复杂逻辑里。对于重要输出加一轮自查能显著降低错误率。做法是在同一轮对话中追加指令请检查你上一条回答找出任何可能的错误、遗漏或与事实不符之处然后输出修订版。如果无需修改请直接回复无需修改。这个技巧的原理是生成和检查是两种不同的认知模式。模型在挑错模式下注意力会更集中在逻辑矛盾和事实缺口上相当于让它做自己的审稿人。打个比方你写完一篇文章当场通读往往发现不了错别字隔一天再看却能找出好几处。模型没有隔一天的能力但你可以逼它切换模式。我自己实测下来这个操作对长文本、技术方案、代码逻辑这三类任务效果最明显。需要注意的是自查会多消耗一轮 token、多等一会儿重要内容值得随手小任务就没必要了。4. 后三招复杂任务不靠蛮力靠编排当任务复杂度上来以后单条 prompt 就开始失灵了。这时候要上真正的工程手段也就是把一个大任务拆成可管理的小任务并给模型划清边界。4.1 技巧 8任务分解与链式提示把一个需求拆成三步分析数据并写出汇报 PPT 大纲还要配演讲词这种多目标任务一次性丢给模型它很容易顾此失彼。更靠谱的姿势是拆成多条 prompt逐条执行前一条的输出作为后一条的输入。我常用的拆分逻辑是这样的先做结构化分析请阅读以下数据找出 3 个核心趋势并说明判断依据。再生成内容骨架基于上述趋势生成汇报 PPT 的大纲包含 4 页现状、趋势、原因、建议。最后润色交付将大纲扩展为演讲稿每页配一段 60 秒的口播词语气专业但不生硬。拆开的好处有三个。第一每一步的输出质量都更高因为模型一次只需专注一件事。第二出了问题容易定位是分析错了还是扩展错了一眼就能看出来。第三中间步骤可以人工介入修正不会一条路走到黑。缺点是多次调用会慢一些、token 成本高一些但对于重要任务这点成本完全值得。4.2 技巧 9边界与反向约束告诉模型不要做什么大多数人只告诉模型要做什么忘了说不要做什么。反向约束在某些场景下比正向追求更关键。典型的边界声明长这样不要使用赋能抓手闭环等空话套词。如果信息不足直接说信息不足不要编造数据。不要给出模糊建议每条建议必须附带具体执行步骤。只基于用户提供的资料作答不要引入外部常识。边界声明对两类任务尤其关键一类是写文案用来防止 AI 腔调另一类是处理事实性问题用来防止模型一本正经地胡说八道。这里有一个细节边界声明不要写太多。超过 5 条约束prompt 会显得臃肿模型反而抓不住重点。挑最能影响质量的 2-3 条写清楚剩下的靠迭代反馈去修正。4.3 技巧 10迭代优化把提示词当代码来维护最后一招也是贯穿全程最重要的一招把提示词当成代码来看待。没有程序员能一次把 bug 写没提示词也一样。第一次输出不满意不代表模型不行更不代表这套方法论没用只说明这版 prompt 还有优化空间。我建议养成四个习惯记录版本每次修改 prompt 都存一个版本标注改动点和效果变化方便回滚。单变量原则一次只改一个变量。同时改了格式和措辞效果变了你根本不知道是哪个变量起的作用。建立测试集挑 3-5 个固定测试任务每次改完 prompt 都在测试集上跑一遍对比输出质量。沉淀模板跑通的 prompt 存进自己的模板库下次同类任务直接改占位符就能用。坚持这轮操作你会发现自己不是在和 AI 聊天而是在配置一个生成器。这两种心态下的产出质量完全是两个量级。5. 模板库上手即用8 个高频场景直接抄下面是我从自己常用 prompt 里整理出的 8 个场景模板均使用 [占位符] 标注需要替换的部分。复制后改一改就能用省去从零开始调试的时间。5.1 内容改写模板角色你是一名资深内容编辑擅长在不改变原意的前提下提升表达质量。 任务改写以下文本。 要求 1. 保留全部关键信息不新增事实。 2. 目标读者[目标读者描述]。 3. 风格[轻松口语 / 严谨专业 / 面向大众]。 4. 控制段落简短可用符号或列表分点。 5. 如果原文有冗余内容可以删减但需说明删减原因。 原文 [粘贴原文]这个模板的精髓在不新增事实和删减需说明原因两条约束。它们能有效防止模型在改写时自由发挥也能让你清楚知道它动了哪些内容。没有这两条模型很容易把原文改得面目全非。5.2 会议纪要模板你是一名会议助理请根据以下会议记录生成结构化的会议纪要。 输出结构 ## 会议主题 [一句话概括] ## 关键结论 - 结论1 - 结论2 ## 行动项 | 负责人 | 事项 | 截止时间 | ## 待讨论事项 [列出需要下次会议继续讨论的问题] 注意事项 - 只基于提供的记录内容不要补充编造。 - 行动项必须从记录中识别负责人找不到就写待确认。 会议记录 [粘贴原始记录]注意待确认这个兜底写法很重要。模型对找不到负责人这类缺失信息默认倾向是编一个出来明确告诉它可以写待确认就从源头上堵住了幻觉。5.3 通用分析报告模板角色你是一名 [行业] 领域的数据分析师。 任务基于以下材料产出一份分析报告。 输出结构 1. 核心结论3条以内每条一句话 2. 关键依据对应每条结论给出支撑信息 3. 风险提示材料中可能存在的偏差或信息缺口 4. 建议行动按优先级排序 约束 - 每条结论必须能在材料中找到依据禁止推测。 - 如果材料不足以得出结论明确写证据不足。 [粘贴材料]这个模板最值得借鉴的是风险提示和证据不足两个设计。大多数 prompt 只要求模型给结论从没要求它审视材料本身。加这两条之后报告的可信度完全不一样。建议团队做决策分析时重点使用。5.4 代码生成与解释模板你是 [语言] 方向的资深工程师。请完成以下任务 任务[描述功能需求] 要求 1. 输出完整可运行的代码。 2. 关键逻辑添加中文注释。 3. 处理边界情况[描述输入异常时应该怎么处理]。 4. 最后用3行以内总结实现思路。第 4 条是我额外加的。让模型用三行总结实现思路既是给读者看的也是在逼模型先理清逻辑、再写代码整体代码质量会更高。这个技巧在复杂功能开发时效果尤其明显。5.5 学习讲解模板请用费曼学习法帮我理解 [概念]。 输出方式 1. 先用一句大白话解释这个概念。 2. 给出1个生活中的类比。 3. 拆解它的核心组成部分每一项配一句通俗解释。 4. 举一个具体的使用场景。 5. 最后列出常见的理解误区。大白话 → 类比 → 拆解 → 场景 → 误区这个结构几乎覆盖了理解一个新概念的所有维度尤其适合陌生领域入门。我觉得最有价值的是最后一项理解误区能把脑子里潜在的错误认知提前暴露出来。5.6 营销文案模板角色你是一名擅长 [平台如小红书/公众号] 的营销文案。 任务为 [产品/服务] 撰写 [类型如种草笔记/活动推广] 文案。 产品信息 - 产品[产品名] - 核心卖点[卖点1]、[卖点2] - 目标用户[用户画像] - 本次转化目标[如跳转链接/私信咨询] 要求 1. 开头3行内出现核心卖点。 2. 避免广告法违禁词不做绝对化承诺。 3. 结尾引导 [期望行动]不生硬。要求 2 是我吃过亏之后加进去的。模型生成的营销文案里经常出现全网第一最好用这类词发出去是有合规风险的。提前声明这两条能省掉大量后期人工修改。5.7 头脑风暴模板你是一名 [领域] 的创意总监。请为 [问题/目标] 提供 10 个解决方案。 要求 1. 覆盖面广传统、创新、低成本、高成本方案都要有。 2. 每个方案用2-3句话描述包含大致的执行思路。 3. 最后给出推荐排序并说明理由。 4. 明显不可行的方案直接标注不建议并说明原因。第 3、4 条要求是让头脑风暴结果真正可用的关键。没有排序和淘汰机制的方案清单只是一堆飘在空中的点子有了这两个约束模型就会自己先做一轮筛选和判断你拿到的直接是可决策的建议。5.8 翻译与本地化模板请将以下文本翻译成 [目标语言]并做本地化处理 1. 保留原意但按目标语言母语者的习惯调整语序和表达。 2. 专业术语优先使用 [领域] 的通用译法首次出现可保留原文。 3. 如果有双关语、俚语或文化梗在译文后用 [括号] 说明翻译策略。 4. 输出格式译文 翻译说明若有。 原文 [粘贴文本]把本地化和翻译说明写进要求是我认为这个模板区别于普通翻译的关键。直接说翻译成英文得到的往往是生硬的字面转换加上这些约束后模型会主动处理文化差异译文才真正能用。6. 调试提示词踩过的坑从答非所问到一次到位最后分享一些我在反复调试中总结的经验。这些内容教科书里不会写但真正干活的时候非常好用。6.1 快速诊断表遇到输出不理想先别急着重写整段 prompt按下面这个表排查最省时间症状大概率原因优先调整方向输出跑题、答非所问指令不明确或淹没在长背景里任务动词前置首句交底结果太泛、正确的废话缺少上下文和约束补充受众、风格、禁忌、示例逻辑错误、算错数任务太复杂直接作答容易跳步引入思维链要求展示计算步骤格式混乱、不按要求格式要求写得太晚或太模糊末尾重复约束配合 few-shot 示例内容编造、无中生有材料不足缺少反向约束声明证据不足时直接说明风格不对味缺少风格参考或角色设定加角色描述或喂一段范文这张表覆盖了日常 80% 的问题。剩下的 20% 属于模型本身的随机波动重跑一次或者微调几个用词就能解决。6.2 一个典型的调试案例有一次我需要让模型给客户写一封产品使用异常但语气友善的邮件。第一版 prompt 写的是写一封关于产品出问题的邮件给客户要客气一点。模型给出的邮件确实很客气但通篇没说明问题怎么解决客户看了只会更焦虑。这就是典型的方向对但内容空。我的修改过程分四步补角色和受众你是一名客户成功经理客户是中小企业的运营负责人他们最关心的是问题何时解决、是否需要自己操作。补邮件结构邮件包含致歉 → 问题原因概述 → 已采取的补救措施 → 客户需要做什么如需→ 后续保障。补语气约束语气诚恳但不卑微用词简洁避免过度道歉。补信息占位[问题原因] 和 [预计解决时间] 处留空由我填写。四步走完第二版邮件从空泛道歉变成清晰告知加安抚。这个案例里没有任何高深技巧只是依次补上角色、结构、语气、占位符每一步都在解决一个具体的为什么不好用。调试 prompt 时就应该保持这种一个问题对应一处修改的思路。6.3 关于提示词的几个常见误区最后列几个我见过最多的误区对照自查一下误区一以为 prompt 越长越好。实际上信息密度比长度重要得多。300 字的精准描述远胜 1000 字的车轱辘话。误区二一遇到输出不好就换模型。不同模型对同一 prompt 的表现确实有差异但先怀疑自己的 prompt永远比先怀疑模型理性。换模型成本高改 prompt 成本低。误区三把提示词工程等同于咒语。网上流传的神奇咒语也许有效但脱离你的具体任务和场景咒语毫无通用性。理解了原理你自己就能造咒语。误区四过度依赖第一次输出。同一道题可以让模型多生成几个版本从中挑或者把几个版本融合效果往往比第一次输出高出一个档次。尤其是文案类和方案类任务这个技巧屡试不爽。我在实际使用中还有一个体会比较深写 prompt 前多花三分钟把背景写够远好过之后跟模型来回拉扯十分钟。很多人不愿意在 prompt 上花时间宁可一遍遍补对话这是最不划算的用法。提示词工程不是玄学它是把思考前置、把需求讲透的沟通基本功。你在输入上多花的心思最终都会以输出质量的形式加倍还回来。
