写提示词这件事我见过太多人卡在同一个地方任务描述得挺清楚AI 给出的结果却总差一口气。要么啰嗦空洞要么格式全乱要么直接跑偏。做提示词工程这几年我最大的体会是写提示词不是“把需求说清楚”就完事而是要给模型搭好框架、定好边界、安排好输出路径。这篇文章不讲玄乎的理论直接给你 10 个实战向技巧外加一组能直接抄走的模板库都是我反复调过、在真实项目里验证过的东西适合刚接触提示词工程的新手也适合手里有一堆 prompt 但效果不稳定的老手拿来对照自查。1. 提示词“不听话”的底层原因其实就三点聊技巧之前先花几分钟搞清楚模型为什么经常漏掉你的关键要求。很多人以为是模型笨其实多半是提示词本身的结构出了问题。当你真正理解背后这三个机制后面的技巧才用得上手。1.1 指令遵循不等于意图理解大语言模型本质上是在做“根据上下文预测最合理的回复”它并没有像人一样在脑子里建立一个“用户想要什么”的完整画面。你写“帮我写个方案”它会基于海量训练数据里的统计规律来生成内容而不是基于对你的业务、你的目标、你的读者画像的深度理解。这里就出现了一个第一性问题模型遵循的是字面上的指令结构而不是你脑海里的潜在意图。你说“写短一点”它可能从 3000 字减到 2500 字你说“专业一点”它可能堆砌一堆术语但逻辑仍然松散。因为“短”和“专业”这些词本身就是模糊的训练数据里对应的样本千差万别模型只能猜一个“平均答案”。所以提示词工程的第一步就是把模糊的意图翻译成可度量的指令。1.2 上下文窗口里的信息权重并不均匀很多人以为把要求写在提示词里模型就会平等对待每句话事实完全不是这样。Transformer 架构下模型对上下文不同位置的信息敏感度是不一样的。一般来说开头和结尾的内容更容易被“记住”中间部分容易被稀释最后一句指令往往对输出风格影响最大而塞在长段落中间的要求经常被忽略。这个机制解释了为什么同一条提示词只是调整了一下语序效果就会差很多。很多人喜欢把所有约束罗列在一起结果最关键的那条“不要输出解释直接给代码”反而被淹没在中间于是得到一大段废话。理解了这个权重规律后面讲“分隔符”“结构化提示词”的时候你就能明白为什么那些技巧有效。1.3 输出偏差大多来自“没给足够的约束”模型是概率生成器在没有明确约束的情况下它倾向于往“最通用”的方向走。什么叫最通用就是平均化、平淡化、什么领域都沾一点的那种输出。你让它写一个产品文案它大概率会写出一段放之四海而皆准的套话你让它分析一份数据它会给你一堆常识性的观察而不是真正的洞察。所以很多时候结果差不是模型能力不行而是你给它的“可能性空间”太大了。提示词工程的核心技巧之一就是不断压缩这个空间——通过指定角色、格式、示例、评价标准、限制条件把模型从“自由发挥模式”切到“定向执行模式”。这不是限制模型而是帮它省去猜你心思的成本。2. 十个立刻就能用的提示词技巧下面这十个技巧我没有按“入门到进阶”排序而是按“使用频率”来排。前面几个结构类技巧几乎每条提示词都用得上后面几个优化类技巧在你对输出有更高要求时再叠加。你不用一次性全记住先挑三四个用熟再逐步增加。2.1 技巧一用“角色任务要求”三段式搭骨架其实很多人也听说过角色设定但用的时候太敷衍。不是简单写一句“你是个专家”就完了而是要给角色补充能力边界和视角。真正有效的角色设定是告诉模型“你从什么视角看问题、你的经验范围是什么、你为谁服务”。我给你们看我反复用的一套三段式角色你是一名有 10 年电商行业经验的数据分析师擅长从用户行为数据里发现业务增长机会。 任务分析这份店铺运营日报找出转化率连续下降 3 天的可能原因。 要求按“数据表现-可能原因-验证建议”的结构输出每个原因给一条可执行的验证方法不要写空话。“角色任务要求”的好处是给模型建立了三层约束视角约束怎么看待问题、目标约束做什么、标准约束输出长什么样。少了任何一层效果都会打折。我见过太多人只写了“你是个数据分析师帮我分析这份日报”没有要求层的约束结果输出了一堆正确的废话。2.2 技巧二把大任务拆成小步骤一次只让模型做一件事大模型很怕“既要……又要……还要……”式的一次性命令。比如你写“帮我读一下这份合同总结要点再找出风险条款还要给出谈判建议”看起来不难但模型在实际处理时很容易把重点放在“总结”上风险点分析浮于表面谈判建议更是泛泛而谈。更稳的做法是把任务分解成连续的多步分次执行第 1 轮把这个合同按条款类型分类列出只要分类清单不用分析。 第 2 轮在上一步分类基础上标出可能对甲方不利的条款并说明理由。 第 3 轮根据风险点草拟 3 个谈判修改建议。每一轮关注一件事模型的内存负担小了上下文也更简洁输出的深度反而更高。这就好比你让实习生一口气把三件事全干了他只会每件都做得很糙你让他一件一件来每件都能干得漂亮。提示词工程里这叫“任务分解”但本质上是在降低模型单次推理的复杂度。2.3 技巧三用分隔符隔开“指令”和“待处理内容”这是一个出现频率极高但经常被忽略的技巧。当提示词里既有指令又有具体文本内容时如果两者混在一起模型很容易把内容的措辞误当成指令来执行。正确的做法是用清晰的分隔符把“上下文/背景资料”和“任务指令”隔离开。不一定要用复杂的 XML 标签哪怕三个反引号或者一组方括号都行。关键是让模型识别出“这是要处理的对象”和“这是要执行的指令”。请对下面【】中的用户评价做情感分类只输出“正向/负向/中性”三个词之一不要解释原因。 【这次购物体验太差了物流慢了一周客服还爱理不理不会再来了。】我之前用这个技巧处理批量文本分类任务稳定性提升非常明显。它的原理在于分隔符给了模型一个明确的心理锚点括号内的是材料括号外的是命令。没有这个锚点时模型的注意力会被材料里的措辞带跑特别是材料本身就带有强情绪或强指令性词汇的时候。2.4 技巧四凡是要结构化的输出先在提示词里定义清晰格式很多人的提示词结尾只丢一句“请整理成表格”然后模型给出一张风格随机的表。如果你希望输出是规范的 Markdown 表格、JSON、带编号的清单最好的办法是把格式直接写进提示词里甚至直接给出空模板。比如我在做批量资料整理时会直接在提示词里指定按以下 Markdown 表格格式输出 | 序号 | 项目名称 | 核心结论 | 风险等级 | 建议行动 | |------|----------|----------|----------|----------| | 1 | | | | |当你把表头都定义好了模型基本不会跑偏。它不需要去猜“表格长什么样”只需要按行填内容。这个方法在生成 JSON 数据时同样适用直接把键名定义好模型输出的字段就会严格对应。你越早锁死输出结构后面解析数据、二次加工的成本就越低。2.5 技巧五给一两个正例和反例比描述一百遍更有效描述性约束写多了模型反而容易迷失在细节里。如果你想让它理解“什么叫好的输出”最直接的方式是给它一个正面示例和一个反面示例。举个例子让模型写欢迎语时你光说“要自然亲切”它很可能写出“尊敬的顾客您好很高兴为您服务”这种模板感极强的话。但如果你给一个反例和正例反例不要学这种风格尊敬的顾客您好感谢您选择我们店铺很高兴为您服务。 正例这是期望的风格来了哈等您很久了想找点啥我帮您留意。模型对示例的模仿能力远强于对抽象描述的遵从能力。这是因为示例本身就是最具体的“标准答案”压缩包它可以跳过“理解-转化-生成”的中间环节直接从样式层面匹配。多模态也好纯文本也好这个技巧通用。提示词工程里管它叫 few-shot learning你不需要记住术语只需要记住一个原则能用例子说明白的事不要用形容词说明。2.6 技巧六明确“不要做什么”比只写“要做什么”更省心大模型的默认输出风格倾向于“积极、完整、礼貌、不遗漏”。这意味着如果你不明确排除某些内容它会把相关的不相关的全给你。最典型的就是让模型解释技术方案时它总喜欢在代码后面加一大段文字说明。如果你不需要解释就直说“不要解释”如果你不需要客套话就写“不要开头寒暄”如果你不需要过于专业的术语就说“不要用术语用大白话讲”。负向约束的价值在于帮模型省去揣测的负担直接划掉那些不想要的选项。用 Python 写一个提取 CSV 文件中重复邮箱的脚本。 要求只输出完整可运行的代码不要任何注释不要解释代码原理不要给运行示例。有了这组“不要”之后模型的输出就干净利落多了。注意负向约束要具体不要写“别废话”这种模糊表达而要明确“不要什么类型的内容”。另外负向约束尽量放在提示词后半部分因为越靠近结尾的指令越容易被模型强化。2.7 技巧七让模型先推理再给结论但不是所有场景都适合“让我一步一步思考”这个咒语大家都听过但它不是万能的。它不适合简单的事实性问答也不适合需要简洁输出的场景。它最适用的场景是复杂推理、多条件判断、策略建议类任务。你可以在提示词里增加一个“思考过程”的要求但它输出的所谓推理未必是真实的推理只是表现为“像推理的话术”所以要限制它的篇幅避免陷入冗长在给出最终建议前先列出你考虑了哪 3 个关键条件每个条件给出了什么判断最后再汇总成建议。 控制在 150 字以内。这样做的好处是让模型的回答路径变得可检查。你一眼就能看出它有没有想到你关心的因素而不是盯着一个不明不白的结论去猜它的逻辑。用了一段时间后你会发现提示词工程里最有价值的能力之一就是让你的思维过程可追溯。2.8 技巧八控制输出长度与颗粒度别让模型自己决定讲多少你问模型“这个方案有什么风险”它可能会列 5 条每条写两行也可能列 2 条每条写一段长文。如果你没有明确指定条数和每条的详略程度输出的随机性就会很大批量处理多个内容时更是风格不稳。更好的方法是把“数量”和“详略”直接写死。比如“列出 4 条风险每条 1 句话说明风险本身另起一行给出 1 条缓解措施全文控制在 200 字以内。” 你甚至可以指定“哪些重要写详细哪些只列标题”。输出长度的控制直接影响后续的信息密度特别是在做知识库整理、竞品分析这类需要横向对比的任务时同样结构化的输出能省掉大量二次整理时间。2.9 技巧九先宽后窄的两阶段提问法这个技巧适合那些你不太确定要什么、需要先探索再收敛的场景。很多人一上来就问得特别具体比如“这个项目的最大风险是什么”但这时候模型的回答会因为缺少背景而变得空泛。正确做法是让模型先提供全景再引导它聚焦到某个点。第一轮问宽不预设答案让模型列出几个可能的切入方向。 第二轮再窄挑出你感兴趣的方向附加更多背景信息让它深入分析。这有点像一个聪明的记者采访先问开放式问题让受访者自由表达再从回答里抓线索追问。在提示词工程里这能显著减少“答非所问”的概率因为你在第二轮提示词中引用的是一段模型刚刚生成的上下文它的记忆和理解连贯性远好于凭空提出一个无背景的深问题。2.10 技巧十加一层“自检要求”逼着模型重新审视输出这是进阶技巧里最实用的一条零成本但效果出奇的好。做法很简单在提示词末尾追加一个步骤让模型在输出完主体内容后自己再检查一遍是否符合原始约束。在输出完成后单独用 30 字以内检查一下以上内容是否覆盖了任务中的全部要求如有遗漏列出遗漏项和补充说明。这个“复核动作”利用了模型对自己生成内容的二次推理能力很多在第一次生成时被忽略的细节在自检阶段会被重新“看见”。它不是 100% 灵的但能把遗漏率降低不少尤其在多条件约束的场景下。后来我自己做内容批量生产时几乎每条模板都带一个自检步骤效果比反复调主指令更明显。3. 能直接抄走的提示词模板库技巧讲完给实际干活的人准备点能直接用的东西。下面这些模板都是我在真实项目里打磨过的涵盖了内容创作、数据分析、代码开发、资料整理等常见场景。你拿去就能用只需要替换掉方括号里的参数。3.1 模板一角色任务格式三件套通用型这个模板适用性最广适合任务目标清晰、输出格式有一定要求的日常场景。核心思路就是把角色、任务、要求三段式套进去同时锁死输出结构。角色你是一名[某领域]资深[职位]拥有[年限]年实践经验善于[某个核心能力]。 任务请[具体任务描述]目标对象是[对象描述]需要解决的核心问题是[问题]。 要求 1. 按以下结构输出[结构说明如“背景-分析-建议-总结”] 2. 全文[字数]以内每部分[字数]左右 3. 不要写[应避免的内容] 4. 输出完成后检查是否覆盖了[任务核心点]如有遗漏在文末补充我个人的体会是这个模板的关键在于“要求”部分写得越具体输出质量越高。特别是第 2 条的“每部分字数”很多模型是真会按比例执行的。3.2 模板二结构化数据输出JSON 格式做自动化流程时经常需要模型输出 JSON。这个模板把键名都定义好了模型一般不会跑偏。建议同时给一个键值示例进一步提高字段对齐率。从下面的文本中抽取实体信息按以下 JSON 格式输出不要输出其他内容 { 公司名称: , 成立时间: , 法定代表人: , 注册资本: 万元, 经营范围: } 文本内容 [待处理文本] 要求 - 没有的信息填 null - 时间统一用 YYYY-MM-DD 格式 - 不要输出任何 JSON 以外的解释这里要特别注意“不要输出其他内容”这个约束因为模型太喜欢在 JSON 外面包装一段礼貌用语了对程序员来说那反而是个灾难。3.3 模板三深度分析类任务适合读报告、做竞品分析、梳理业务问题。它的设计重点是把分析流程拆开引导模型先找事实、再做推断、最后给行动建议。这个渐进结构能明显减少“空对空”的分析。你是一名[职位/领域专家]请阅读以下材料完成三层分析 第一层【事实提取】列出材料中客观描述的核心事实只列事实不要解读。 第二层【问题诊断】基于上述事实指出关键问题与矛盾点说明你的判断依据。 第三层【行动建议】针对每个问题提出一条可落地的行动建议并给出优先级依据。 材料 [待分析内容] 输出要求按三个层级分段输出每层不少于 3 条全文不超过 800 字。用这个模板的重点是不要让模型跳过“事实提取”直接进入“问题诊断”否则它很容易基于脑补的事实来做分析整个结论就悬空了。3.4 模板四文本创作与改写写文案、写邮件、写种草笔记时最怕的就是“AI 味太重”。这个模板通过角色、语气、字数、反例四个维度来约束风格。你们可以根据自己的场景调整“语气参考”和“反面教材”这两个参数。你是一名[内容类型]写手文风[风格描述如干净利落、有网感、口语化]目标读者是[群体]。 请改写下面这段话要求 - 保留原意但表达方式更[特点] - 不出现[应避免的词/句/风格] - 字数控制在[数字]字以内 - 参考语气 [1-2 个示例句] 原内容 [待改写文本]实际使用中那个“示例句”的价值很大。你给了一个示范模型就能把那句话里的语感和节奏都学过去这比一百个形容词都好使。3.5 模板五代码相关任务写代码、查 bug、做代码审查提示词的写法和文案类完全不同。核心是交代环境、输入、输出形式三件事。尤其要说明运行环境和数据样例不然模型给你的代码经常是“在你的环境里根本跑不起来”的四不像。语言Python 运行环境Python 3.10依赖包pandas 2.0 任务[描述任务如读取一个 CSV 文件统计每类商品的销量总和按销量降序排列输出到新 CSV] 输入格式 - 原文件路径data/input.csv - 列名商品ID, 商品类目, 销量, 单价 输出要求 - 只输出完整代码不要解释 - 代码中要用 try-except 处理文件不存在的情况 - 中文编码统一用 utf-8我强调运行环境是有原因的——模型训练的语料里Python 老版本和新版本的语法差异它是“全都会”你不限定环境它就可能给你一段 Python 2 风格的 print 语句改起来比写还烦。3.6 模板六多轮对话与追问策略适合在调试想法、探索方案时使用。模板本身是一套对话策略核心是“先拉全景再钻细节”的节奏感。你不需要一次性问完按节奏走就行。第一轮请列出[主题]的 5 个关键维度每个维度用一句话说明为什么重要。 第二轮我选择[维度 X]和[维度 Y]请结合这两个维度展开分析它们的关联与冲突。 第三轮基于以上分析请给出一个可执行的[计划/方案]标出先后顺序和依赖关系。我在实际工作中经常用这个模板来解决“不知道怎么提问”的问题。它不是一次性的而是一个引导框架每次对话都基于上一轮的输出来收窄效果远比一次性问十个问题要好。4. 实测翻车现场五个典型误区和修正过程光给模板不够我把常见的失败模式也整理出来。这些坑是我自己在任务里反复踩过的你只要绕开它们效率至少提升一半。4.1 误区一把所有要求塞进一句话很多新手写提示词喜欢用一整个长句把任务和约束全串起来“帮我写个产品介绍文案突出性价比不要太长最好有点幽默感目标人群是大学生控制在三百字左右还要带上我们的品牌名……”这种提示词单看每个要求都能懂但合在一起时模型抓不住主次。我做过一个实验同样的任务分别用一句长句和三段式结构来写三段式的输出质量明显更高尤其在“字数控制”和“风格一致”这两个维度上。原因是分段之后每个约束的权重更均匀模型不会因为某句话靠前或靠后就过度关注。提示词工程的第一性原理就是结构清晰权重才均匀。4.2 误区二只给任务不给标准你让模型优化一段文案它不知道优化到什么程度算达标你让它写一段会议纪要它不知道每条的详略怎么控制。只给任务模型会默认按“平均标准”来交付而你要的往往是“高于平均标准”的结果。我的办法是在提示词里明确增加一个“评价标准”字段。哪怕只是一句话“好坏的判断标准是是否能让读者在 10 秒内抓住核心信息。”这句话并不复杂但给模型的约束力非常强它会把“清晰度”调到很高的优先级。这也解释了为什么企业里用提示词模板产出需要配合一套“质量标准说明书”而不是丢一个 dry 的模板让所有人自己摸索。4.3 误区三忽略上下文污染有时候提示词本身没写错但前面几轮对话已经把模型带偏了。比如你前几轮一直在用英文讨论问题突然切到中文写提示词模型有时候会用英文风格的句式和语感来写中文。这就是上下文污染。另一个常见场景是对话历史里有一些错误的尝试或过时的信息模型会在之后的分析中反复引用它们。解决方案是及时开启新会话或者明确对模型说“忽略以上所有历史从新指令开始”。不要指望模型自己判断哪条历史是重要的它是概率模型不是任务管理器。4.4 误区四示例里带了非预期倾向用正反例引导时如果你给的示例在某一个维度上特别突出模型会把那个维度的特征放大到新任务里。比如你给了一个“简洁有力”风格的正例模型在新任务里可能输出非常精简但遗漏了关键信息。这是 few-shot 学习的典型副作用示例不仅教会了模型“风格”还影响了它对“完整度”的判断。因此给示例时要刻意选择各个维度都比较均衡的样本而不是只挑一个方面最出彩的。如果条件允许多给一个示例让模型对“好的标准”形成更全面的理解。4.5 误区五一次对话里贪多“吃着碗里看着锅里”人一口气做完十件事都会乱模型也一样。同时让它做摘要、翻译、润色、提取关键词它会尽量平均用力结果每项都只完成七成。更现实的做法是一条提示词只安排一个主任务把其他需求做成可选的第二、第三步。例如先让它总结再在下一轮要求“基于上述总结浓缩成 3 个标题选项”。贪多还有一个隐藏成本它会消耗大量上下文窗口导致单任务的处理质量下降。你是在用多任务指令制造上下文拥挤然后抱怨模型“笨”这个锅它不背。5. 再进一步提示词与参数配置、工作流的配合技巧和模板能解决大部分问题但真正稳定可靠的结果还差最后一步——提示词以外的参数配合和流程设计。5.1 温度参数与提示词风格的匹配逻辑大多数调参指南会笼统地推荐“创意任务把 temperature 调高事实任务调低”但实际使用中更准确的做法是先看提示词里是否已经锁死了风格和格式。如果你的提示词已经把输出结构定义得很死比如指定了 JSON 或固定列表那么 temperature 就算设到 0.7结构也不会乱但内容细节会有微幅波动。反过来如果你的提示词高度依赖少样本示例来模仿风格这时候 temperature 过高会导致示例的风格被稀释输出反而四不像。我的经验是指令模板类任务用 0.3 以下创意写作类任务在 0.7 到 0.9 之间含有大量事实校验的分析任务设 0 或接近 0。 把 temperature 当成“语气自由度”而不是“智商”你会更容易找到对的取值。5.2 维护一套提示词版本记录别再做“一次性实验”很多人调提示词调到自己都忘了最初版本长什么样改坏了也没法回滚。建议每一条投入生产的提示词都维护成带版本号的文档V1.0 初始版本任务“角色任务要求”三段式测试通过与不通过样例V1.1 增加“不要做什么”负向约束解决了多余解释的问题V1.2 增加输出格式示例批量场景下字段对齐率提升到 98%这个习惯的成本很低但收益极高。你在迭代一个成熟模板时回看 V1.0 和 V1.3 的差异就知道哪个改动是真正有效的哪个是错觉。没有版本记录的人在调提示词时本质上就是在瞎猜。5.3 把已跑通的提示词按“场景-输入-输出-示例”四个字段管理最后一个建议是给自己的模板库搭一个简单的管理系统不需要复杂工具一个表格就行。表格里固定四个字段——“场景”“输入格式”“输出格式”“示例”。场景适合哪类任务什么情况下用这条模板输入格式待处理内容如何传给模型需要预处理哪些字段输出格式模型输出的结构定义以及解析方式示例一条实际跑通过的输入输出对方便随手对标这样沉淀下来的提示词才是团队里可以被复用、被讨论、被测试的资产而不是散落在各个聊天记录里的几段文本。我做内容生产的时间越长越意识到提示词工程最终拼的不是单个词句而是建立一套“用 XML 意识去结构化思维”的工作习惯。在结尾处说一个我自己的小习惯每次写好一条新提示词我会先自己扮演“模型”把要求读一遍看看按字面意思理解会输出什么。这个自检动作帮我避掉了至少一半的返工。提示词工程没那么玄它的本质就是让你把脑子里的需求翻译成一个机器不误解的指令系统。这一篇的十个技巧和六组模板就是我目前最常用的工具箱你可以直接拿去用也可以在这个基础上改出属于自己的风格。