先把话说在前面我见过太多人把提示词工程当成“咒语大全”以为记住几句“魔法口令”就能让 AI 言听计从。实际玩下来你会发现提示词工程更接近“需求翻译”——你把自己脑子里那个模糊的想法翻译成模型能够执行的一组明确条件。这篇内容整理的是我在日常写作、编程、数据分析里反复验证过的 10 个提示词技巧附带一套可以直接复制改用的模板库。适合刚接触 AI 工具的新手也适合已经在用但总觉得输出“差点意思”的老手。先说一个很多人没意识到的事实大规模语言模型并不是搜索引擎它不负责“查资料”也不懂“你真正想说什么”。它做的事情只有一个——根据你给的前文预测下一个最合理的词。这意味着你写的每一个字都在影响它的预测方向。提示词写得模糊输出自然模糊提示词写得含混输出自然含混。这不是玄学是概率机制决定的。搞清楚这一点再看下面这些技巧你会突然明白为什么同样一个模型有人用起来像专家有人用起来像人工智障。1. 先搞清楚一件事模型为什么总把你的话“理解偏”1.1 概率生成机制决定了提示词必须是“限制条件”而非“聊天开场白”我一直跟朋友打一个比方你让模型写东西本质上是在跟一个记忆力超强但完全没有常识判断力的实习生说话。这个实习生读过海量资料文笔流畅但它不知道你的真实意图也不了解你的业务背景。你跟它说“写篇关于用户增长的文章”它能给你写出十篇风格完全不同的文章因为它不知道该往哪个方向走。模型内部的机制是按 token 逐个预测的每个词的概率都受前文影响。当你给出的信息越具体、越有指向性模型预测的“搜索空间”就越小输出就越接近你想要的结果。反过来提示词越开放模型就越倾向于生成“最稳妥的平庸内容”——因为从概率上看中庸的、万事万能的表达得分最高。这就是为什么提示词工程的第一原则是少说废话多给条件。每个条件都在帮模型缩小范围。1.2 提示词翻车的三个高频原因我排查过大量效果差的提示词总结下来就三类问题第一目标动词缺失。很多人写提示词是“我的文章关于人工智能”“这个报告要分析一下市场”。模型收到的信息是“主题是人工智能”但你到底让它干什么总结评论写开头还是生成大纲它不知道。没有动词的提示词相当于你只给了材料清单没给加工指令。第二约束条件太少。你说“写一封邮件给客户”但没说要正式还是轻松、要英文还是中文、要多长、要什么语气。模型只能猜猜就有偏差。第三没有示例和格式要求。这是最容易被忽略的。模型对“好”的标准跟你对“好”的标准很可能不是一回事。你不给它一个例子它只能产生自己认为好的东西。你不给它格式它就按自己的排版习惯来结果你拿到的输出还得二次加工。这三个问题会在后面 10 个技巧里反复被解决你会发现技巧之间其实是互相嵌套的。2. 技巧 1-4把需求说清楚的基本功2.1 技巧 1角色设定法——给模型一个“立场”角色设定是门槛最低、见效最快的一个技巧。它的原理是通过指定身份激活模型训练数据中与该身份相关的语言风格、知识侧重和表达习惯。错误示范帮我写一下这个产品的介绍。正确示范你是一名有 10 年经验的 SaaS 产品营销专家擅长用通俗易懂的语言解释复杂技术产品。请为下面这个产品写一段 150 字左右的介绍目标读者是中小企业的非技术老板 产品是一个轻量级的项目管理工具支持任务看板、进度追踪、多人协作不需要复杂的配置5 分钟就能上手。差别在哪里加了角色之后模型会主动选用“营销专家”的口吻而不是一个通用机器人的口吻。它会更注重价值点提炼而不是罗列功能。角色越具体效果越明显——“营销专家”不如“服务过 200 家中小企业的 B2B 营销顾问”。2.2 技巧 2任务动词前置——让输出动作明确这是成本最低的优化手段只需要把提示词开头改成明确的动词短语。“写”“总结”“对比”“列出”“翻译”“解释”“改写成”都是动词“关于”“对于”“这个”都不是。模型对动作词的响应非常敏感因为动词直接决定了整段输出的语体。举个例子你要分析竞品模糊版本现在市面上有很多项目管理工具比如 Asana、Trello、Monday.com。你觉得它们怎么样我们产品要怎么做才能脱颖而出清晰版本对比 Asana、Trello、Monday.com 这三款项目管理工具分别列出它们在“任务管理”“团队协作”“自动化能力”三个维度上的优劣势。然后基于对比结果给一款新进入市场的轻量级项目管理工具提出 3 条差异化建议。看出区别了吗动词“对比”“列出”“提出”把任务拆成了三段模型知道自己每一步该干什么。输出质量会稳定很多因为你给了它一个清晰的执行路径。2.3 技巧 3Few-shot 示例——用例子代替解释很多时候你解释半天不如给一个例子。模型在学习阶段就见过大量“例子-输出”的配对给它示范一两个例子它会自动模仿示例的格式和风格。这就是 few-shot learning也是所有技巧里我觉得最反直觉的一个——你不需要描述“我想要什么风格”只需要贴一段符合你要求的文字。我当时写提示词模板库时经常会同时准备两三个示范段。比如让模型写标题提示词请根据下面的文章主题生成 5 个标题。以下是一个参考示例 主题远程办公效率提升 标题居家办公第 30 天我总结出这 7 个效率工具请模仿上面的风格数字 场景 利益点为下面这个主题写标题 主题个人知识管理模型会自动学习“数字 场景 利益点”的套路生成“整理了 200 篇资料后我悟出了这套知识管理方法”这类标题。如果你不加示例它可能会生成“知识管理的重要性”这种毫无吸引力的标题。示例比形容词管用一万倍。2.4 技巧 4输出格式约束——让结果可解析很多人把提示词工程只用在“写文章”上忘了它最强大的场景其实是“生成结构化数据”。只要在提示词里明确指定输出格式模型就能返还给你可以直接使用的 JSON、Markdown 表格或带序号的列表。我实测最稳的格式约束写法是告诉模型“只输出 JSON不要任何解释文字”并给出 JSON 的字段结构。示例从下面这段客户反馈中提取关键信息只输出 JSON 格式字段包括sentiment感情倾向positive/negative/neutral、keywords关键词数组、summary一句话总结。 客户反馈“你们的 App 更新之后闪退了好几次不过新界面倒是挺好看的。” 要求的 JSON 结构 { sentiment: , keywords: [], summary: }模型会严格按照字段结构输出你甚至可以把这个结果直接喂给后续程序处理。这是提示词工程里最接近“写代码”的地方——你实际上是在定义接口规范。很多人忽略了提示词的这一用途其实它比单纯“聊天”有价值得多。3. 技巧 5-7让输出质量再上一个台阶3.1 技巧 5思维链CoT——逼模型“先想再做”大模型推理能力是存在的但它需要你给它时间去“思考”。所谓思考在模型机制里就是生成中间推理步骤。你不让它写中间步骤它就只能凭直觉给结论——而直觉往往是错的。这一招在数学题、逻辑推理、方案设计里特别好用。触发方式很简单在提示词末尾加上“请逐步思考”“不要直接给结论先分析每一个方案的优缺点再给出建议”这类指令。看一个对比无思维链一个项目原计划 30 天完成实际用了 45 天。问超时了多少天超时比例是多少有思维链一个项目原计划 30 天完成实际用了 45 天。请逐步计算1超时天数是多少2超时比例是多少保留一位小数写清楚每一步计算过程。后者看起来“笨”但实际效果稳定得多。模型会先算出 45-3015再算 15/3050%而不是直接给你一个缺乏过程的结论。更关键的是在复杂任务里让模型“先想再做”能大幅减少它跳过重要环节的概率。3.2 技巧 6负面指令——告诉模型“不要做什么”大多数人都知道告诉模型要什么却忘了告诉它不要什么。负面指令的作用是排除那些“看似正确但实际没必要”的输出路径。比如你让模型写文章它总是开头来一句“随着科技的飞速发展”。你只需要加一句“不要使用‘随着……发展’‘总而言之’这类套话”输出立刻清爽。再比如你让模型总结会议纪要它可能把每个发言人都写一遍。你加上“只总结结论和待办事项不要复述讨论过程”效果马上不一样。负面指令有一个使用技巧把它放在提示词的末尾。因为模型是逐词预测的越靠后的指令对生成的“收尾阶段”影响越强而开头套话恰恰是生成早期最容易蹦出来的。放末尾能有效压制这个倾向。我实测这个位置的敏感度是很高的。3.3 技巧 7迭代追问——把一次提问变成多轮协作很多初学者有个误区觉得提示词一定要一次到位。其实高手经常第一轮先给个粗方向拿到输出后再逐步收窄。这种“动态提示词”方式比一开始就把所有约束塞进去更高效因为第一轮你往往也不完全清楚自己要什么。我常用的迭代流程是第一轮给出主题和基础要求让模型生成一个初稿或大纲。第二轮针对不满意的地方给出具体修改指令比如“第二段的例子太抽象换一个具体的场景来论证”“结尾太仓促补一段实操建议”。第三轮请模型自查比如“重新读一遍你写的全文找出三个逻辑不通的地方并修正”。迭代追问的本质是你不必一次把需求想清楚但每一步都要让模型知道“下一步做什么”。这比重新写一条从零开始的长提示词要高效得多因为你保留的所有正确内容都不用重新生成大大减少出错的概率。4. 技巧 8-10组合拳与提效玩法4.1 技巧 8任务分解——让复杂需求拆成子任务模型在单次生成里能处理的复杂度是有上限的超出上限之后输出质量会断崖式下降。所以你让它一次性“写一篇完整的行业分析报告”它只能写出一篇所有人都能写的泛泛之作。但如果拆成“先列大纲→逐个章节填充→再串起来通读优化”每一步的输出质量都会高得多。我实际处理长文时通常拆成四步第一步让模型生成大纲包括每个章节想表达的核心观点。第二步逐章节让它“扩写”每次只写一个小节并给它上一个小节的内容作为衔接上下文。第三步把所有小节合并后让模型“通读全文找出重复的内容和风格不一致的地方”。第四步针对具体段落做润色。这个过程看起来多花了几轮对话实际总时间反而更短因为你避免了一稿写得稀烂然后推倒重来的窘境。4.2 技巧 9上下文锚定——用固定信息框住范围上下文锚定是我自己命名的技巧核心是在提示词里先把“不随对话变化的基本事实”固定下来之后每一轮生成都自动引用这些事实避免模型跑偏。最简单的做法是用一个固定的“上下文块”放在每条提示词的开头。格式大概是项目背景我们是一款面向中小企业的人力资源 SaaS产品核心卖点是“自动算薪入离职管理”目标客户是 50-200 人规模的公司。 品牌语气专业、务实、不玩概念。 本次任务……后续每一轮提问都带着这个块模型就不会写出“帮助大型集团实现数字化转型”这类完全跑偏的文案。这个方法在需要多轮对话、长文档生成时格外实用相当于给模型建了一个“记忆锚点”。4.3 技巧 10模板化复用——从“写提示词”到“搭提示词系统”单个技巧用熟了之后你会发现很多提示词是可以抽象成模板的。模板的价值不是让你偷懒而是把一套经过验证的、稳定的“参数结构”固化下来。下次遇到类似任务只需要替换主题、替换角色、替换示例输出质量就有基础保障。我自己的模板库是这么组织的每个模板包含五个部分——角色定义、任务描述、输入内容占位符、输出格式要求、负面指令。下面是第五部分会展开的具体模板先不重复。这里我想强调的一点是一旦你把提示词模板化你就在“写提示词”和“搭提示词系统”之间划出了一条分界线。前者是每次从零开始后者是带着一套方法论去应对不同任务。这一点对效率和质量的提升远大于任何单个技巧。5. 对应场景的模板库拿去就能用5.1 写作类模板这套模板适用于公众号文章、博客、产品文案等场景。核心思路是“角色 目标读者 结构要求 语气约束 负面指令”。我贴一个最常用的角色你是一名资深内容编辑擅长写面向大众读者的科普文章。 任务根据我提供的素材写一篇 800-1200 字的文章。 文章结构先用一个真实场景引入问题再解释核心的原因最后给出可操作的行动建议。 语气口语化但不轻浮像一位朋友在认真分享经验。 负面指令不要用“随着……的发展”“总而言之”等套话不要罗列干巴巴的要点不要编造数据和案例。 素材……这套模板的灵活性在于“素材”占位符你可以换成任何主题。它唯一需要调整的是文章结构和字数要求其他保持不变。5.2 分析决策类模板当你需要借助模型梳理思路、做方案对比时用这个模板。关键是要让模型先给分析框架再填充内容而不是上来就让结论。角色你是一名咨询顾问习惯用结构化思维分析问题。 任务分析下面这个问题的关键因素并给出建议方案。 输出要求先用一句话复述问题确认理解一致。列出影响该问题的关键因素并说明每个因素的重要程度。基于这些因素给出 2-3 个可选方案。对比每个方案的优缺点最后给出推荐方案和理由。 负面指令不要回避不确定性如果信息不足明确说“需要补充 XX 信息”。 问题……这个模板也很好用尤其是“先用一句话复述问题”这一步能帮你提前发现模型理解上的偏差避免后面的分析全错。5.3 编程开发类模板让 AI 写代码或改代码时最忌讳的是直接扔一段报错日志让它猜。代码类提示词的要领是“提供上下文 说明约束 指定输入输出”。我常用的模板是角色你是一名资深 Python 开发工程师。 任务根据以下需求编写代码。 功能需求…… 输入示例 输出示例期望 约束条件使用标准库优先避免引入额外依赖代码需要处理空输入的情况添加必要的注释。 请先给出完整代码再对关键函数做简要解释。加“输入示例/输出示例”这个操作看起来啰嗦实际上能帮模型极其精准地理解你的意图。比起让模型推测你要什么直接给它看输入输出对齐的例子准确率能提升好几倍。5.4 学习提升类模板用 AI 辅助学习不在于让它直接给答案而在于让它扮演“教练”角色。我自己给学生用的模板是角色你是一名耐心的一对一辅导老师。 任务帮助我理解以下概念并检验我的掌握程度。 步骤 第一步用生活中的类比解释这个概念 第二步给出三个不同难度的例子 第三步向我提 3 个由浅入深的问题等我回答后判断我是否理解正确再针对错误部分补充讲解。 概念……这套模板能避免“看了 AI 的解释觉得自己懂了一到做题就露馅”的问题。因为它设计了“提问-回答-反馈”的闭环让学习变成双向互动。6. 实测中的意外情况与排查思路6.1 同一个提示词换模型后效果崩了这是踩坑最多次的经验。同一个提示词在 A 模型上输出惊艳换到 B 模型就变成“前言不搭后语”。原因是不同模型的训练数据、指令微调方式和 tokenizer 都不一样对角色设定、示例风格的敏感度差异极大。遇到这种情况不要急着怀疑模板。先做一个最小化测试把提示词砍到最简只保留任务动词和核心约束看模型能不能理解。如果最简版本可以再逐步把角色、示例、负面指令加回去定位是哪一部分导致模型“分裂”。这个方法我起名叫“二分法排查”和查 bug 的思路一模一样。6.2 提示词加长后反而变差很多人觉得提示词越长越精准实际不一定。超过一定长度后模型对提示词中早期内容的注意力会衰减 特别是输出长度长的时候尤其明显。如果你发现一个“什么都规定了”的提示词效果反而不如短版本大概率是信息过载了。我的经验是提示词的长度和任务的复杂度要匹配。简单任务没必要写一大段角色背景和约束复杂任务也不要试图在一个提示词里塞进全部要求而是拆成多轮对话。当一段提示词超过 400 字时就该考虑是不是该拆了。6.3 排错方法论我是怎么调试一条提示词的最后分享一下我调试提示词的完整流程。先写初版跑一次看看输出记录下“哪里不对”。然后只改一个变量再跑一次对比效果。这里说的“一个变量”可能只是加一个负面指令或者换一个角色设定或者增加一个示例。一次只改一个变量你才能知道每个调整起了什么作用。我的记录方式是维护一个简短的表格字段包括版本号、改动内容、输出质量评分1-5 分、备注。虽然听起来有点“重”但当你同时维护十几个模板时这套记录能帮你准确知道哪些改动有效、哪些无效而不是靠感觉反复横跳。调试提示词本质上和调试代码没有区别。它需要你建立假设、设计实验、观察结果、修正假设。这个循环跑熟了之后你会发现大多数“模型不行”的情况其实都是“提示词没写到位”。我自己的体会是与其每次从头写不如把验证过的模板积攒起来。提示词工程的复利效应比你想象的大得多——同样的模板配合不同的主题词就能稳定产出及格线以上的结果这就足够让你把精力省下来放在真正需要人来做的事情上。