你有没有过这种经历同一个AI工具别人问出来的是结构清晰、可直接落地的方案你问出来的像说明书的复制粘贴。一开始我以为是模型的随机性后来把同一句话丢给多个模型对比发现输出质量的差距依然稳定。真正把差距拉开的东西不是模型是提示词工程。提示词工程这个词听起来很学院派实际上就是研究怎么把需求说清楚、说准确、说到模型一听就懂。它解决的从来不是AI能不能做的问题而是AI能不能稳定做好的问题。这篇内容我不讲空理论直接给你10个当时上手就能用的技巧每个技巧都配了实操示例文末还有一套我反复调整过的模板库覆盖写作、编程、数据分析、学习四个高频场景可以直接复制改造。适合所有已经在用AI、但觉得输出质量不够稳定的朋友无论你用的是对话类产品还是API。1. 为什么你的AI回答总差点意思提示词工程到底在解决什么问题1.1 提示词工程不是玄学是信息工程很多人觉得提示词工程就是把话说长一点、礼貌一点往这个方向使劲折腾发现效果还是飘忽不定。我自己刚开始也是这样直到我把一次失败的提示词拆开来看才意识到问题出在哪。模型的回答本质是对你输入内容的概率延展。你的提示词里提供了哪些信息、信息以什么顺序出现、哪些词被强调都会改变模型关注的焦点。提示词工程做的事情就是控制这份信息的结构、范围和表达方式让模型在一个更明确的约束空间里生成内容。它不是玄学是信息工程只不过加工的对象是你的指令。举个例子你让AI写一份产品推广计划它大概率给你一份万金油式的东西放哪个产品上都行放哪个产品上都差点意思。但如果你在提示词里写清楚产品阶段、目标人群、预算范围、投放渠道、期望达成的关键指标AI的输出就会从一个泛泛的模板变成一份有血有肉的方案。你给的信息结构越清楚AI发挥的空间越收敛输出质量自然越稳定。1.2 一个反直觉的结论模型比你想象中更听话只是你没把要求说清楚我在给团队做内部分享的时候经常问一个问题如果你们觉得AI输出的东西总是不对那你们有没有想过自己输入的指令里有多少信息是模糊的很多人写提示词习惯用帮我写得好一点要有深度再优化一下这类描述。这些词在人类沟通里靠默契能补全但模型没有默契它只能在字面上做推断。好一点是什么标准深度到什么程度算深优化是改结构还是改措辞全部要靠模型自己猜。猜对了你觉得AI聪明猜错了你就觉得AI弱智实际上模型一直都很稳定稳定地按照你的字面信息输出。理解了这一点再看那些同样一个模型别人用得像专家你用得像外行的现象就不奇怪了。不是你运气差是你把太多决定权交给了模型去猜。提示词工程的价值就在这里不是教AI怎么思考而是教你怎么表达需求把本该自己拍板的标准和边界清清楚楚地写进指令里。2. 搭建提示词的底层框架角色、任务、格式、约束四个模块2.1 四个模块分别控制什么在给十个技巧之前我想先给你一个底层框架因为技巧是散的框架才能保证你遇到新场景时不会懵。我写提示词稳定会检查四个模块模块作用典型写法角色限定回答的立场和语言风格你是具有10年Java后端经验的架构师任务说明你要什么结果请审查下面这段代码的内存泄漏风险格式规定输出的结构和样式用Markdown表格输出每项不超过50字约束标注必做和不要做的事只基于我提供的数据回答不要臆测这四个模块不是每次都写全但缺了任何一块输出质量都会有可感知的下降。角色决定语言风味任务决定回答方向格式决定可读性约束决定安全边界。我见过很多失败的提示词问题都出在任务和格式上。帮我分析一下是任务吗是但它没有结果定义你拿到手的可能是分析、可能是建议、可能是评价全看模型心情。如果你把任务改成请分析该方案的成本、风险、收益三个方面并给出结论模型就知道你要的是一个带结论的分析报告而不是泛泛而谈。2.2 为什么少说废话和多说细节这两句话并不矛盾网上经常有人教提示词要简洁也有人教提示词要详细两拨人吵得不可开交。我说句得罪人的话两边都在以偏概全。少说废话指的是删除与任务无关的背景闲聊、情绪铺垫、重复表述这些信息确实会稀释关键内容的权重。但多说细节指的是补全任务相关的规格参数、边界条件、输出标准。这两件事针对的是不同类型的信息完全不冲突。举个直观的例子。你想让AI写一封道歉邮件错误的写法是有个客户投诉了你帮我写封邮件要好一点真诚一点快点。这里的信息密度极低投诉内容是核心信息你一个字没提好一点是模糊标准真诚一点是无从落地的风格要求。我从不下帮我写一封真诚的道歉邮件这种指令因为真诚是结果不是写法AI没法把真诚翻译成具体的句子。正确的做法是把事实客户是谁、投诉原因、你想怎么补偿、风格措辞温和还是正式、结构先道歉再解释再给方案、长度整封邮件不超过150字全部写清楚让AI做的是排版和润色而不是替你编造事实。这就是少说废话多说细节的真正含义。2.3 判断提示词质量的快速检查清单我在大量实战之后沉淀了一个检查清单每次写完提示词快速过一遍能筛掉八成低质量问题。分享给你任务是否有一个明确的结果定义如果模型输出后你不知道怎么验收这个任务描述就是不合格的。是否提供了任务所需的背景信息目标受众、使用场景、输入材料、前置条件缺哪个补哪个。是否规定了输出格式纯文本、表格、代码块、JSON、分点你越早定越好。是否给出了负面边界哪些情况不要做、哪些内容不要出现、数据源边界在哪。是否用数量词替代程度词把详细一点改成不少于800字把简洁改成每条不超过30字。是否一个提示词只做一件事如果一件事包含多个环节就拆成多个步骤。这个清单看起来朴素但你在实际写提示词时对照着走一遍输出质量的提升是肉眼可见的。下面十个技巧本质上都是围绕这个框架展开的精细化操作。3. 十个能立刻上手的实战技巧这十招我全都在真实项目里用过按从单次优化到系统提效的顺序排下来从第一招到第十招难度和收益都是递进的。你可以从第一招开始每学会一招就在自己的提示词里用起来不用等全看完再动手。3.1 技巧一角色锚定——给回答预设说话人很多人用角色扮演只是觉得好玩实际上角色锚定是成本最低、见效最快的技巧。原理很简单角色描述会把模型输出引导到特定领域的表达模式和知识结构里。对比一下普通写法帮我写一份产品需求文档角色锚定你是拥有5年To B产品经验的产品经理请帮我写一份面向研发团队的产品需求文档第二种写法里To B产品经验决定了AI会从企业客户的业务逻辑出发面向研发团队决定了它不会堆一堆面向老板的虚词。角色越具体AI调用的背景知识就越聚焦。实操的时候要注意一个细节角色描述不要只写职位要写背景约束。比如你是负责过日活百万级产品的运营负责人比你是运营专家强得多。因为专家这个词已经被用烂了模型对它的响应很弱但日活百万级这种具体指标会真正激活模型对这个量级产品运营痛点的理解。3.2 技巧二步骤拆解——复杂任务分步喂给模型模型在单步执行时的准确率远高于连续执行多步复杂任务的准确率。你让它一口气分析数据并给出优化建议它可能在分析环节就丢了信息到了建议环节只能用模糊的正确来掩盖具体的错误。步骤拆解的两种用法第一种是把任务分成多个子任务逐个对话完成。比如先让它从这份报表中提取营收变化最明显的三个月份等这个结果稳定了再发下一步基于这三个月份的数据分析可能的原因。每一步都是单一任务模型不容易丢失中间信息。第二种是在一个提示词里用编号让模型按步骤走。比较适合简单析取场景请按以下步骤处理 1. 先列出这段文章的核心论点不要评价 2. 基于论点写出40字以内的摘要 3. 最后给出你认为最有争议的假设并说明理由。在提示词里约定执行顺序本质上是在给模型设计一条思考路径。对于有流程要求的任务比如审核、分析、多条件筛选这个技巧能让你的输出稳定很多不会出现答非所问的情况。3.3 技巧三格式约束——先定输出结构再谈内容不少人的提示词只写要什么不写长什么样导致AI输出五花八门有的给段落有的给列表有的给你画个表格整理起来极其痛苦。格式约束就是提前把输出的版式锁死。格式约束有两个层次。第一层是指定大类型比如用Markdown表格输出用代码块输出输出JSON格式。第二层是指定结构细节比如表格要有哪些列、段落要有哪几个部分、每条列表控制在多少字以内。这里给你一个顺手可用的示范请用以下结构分析这篇行业报告 - 背景3句话以内 - 三个核心趋势每条不超过50字 - 一个值得警惕的风险附原因 - 结论1句话加了格式约束之后AI的输出直接省掉了你二次整理的时间。它还能变相限制AI的废话程度因为结构里没有给废话留位置。如果你发现AI还在长篇大论十有八九是结构约束得不够细。3.4 技巧四示例驱动——一个例子胜过十句要求很多要求用文字说不清楚但给一个例子模型的模仿能力会让它立刻明白。这就是Few-shot的作用也是我在提示词工程里认为最强的一个技巧。举个真实的对比。你想让AI把客服聊天记录改写成正式工单只写请将以下内容改写成标准工单格式它大概率给你一个通用模板。但你在提示词里先放一个标准示例示例 原始记录客户说订单一直没收到快递显示签收但本人没拿。 标准工单 问题类型物流异常 问题描述客户反馈订单显示已签收但未收到货 优先级P1需核实签收环节 处理建议联系配送员确认签收位置必要时调取签收底单把这个示例放在指令和待改写内容中间模型会自动按照这个示例的结构、语气甚至字段命名来输出比你写十句注意格式管用得多。你给它一个高质量的锚点它就还你一批高质量的模仿品。不过要注意示例的质量决定了输出的质量。你要是随手给一个劣质示例AI会忠实模仿你的劣质。给示例前先问自己这个示例是我见过的最优解吗如果不是先把它改到最优再放进提示词。3.5 技巧五思维链引导——让模型把推理过程显性化这张牌在涉及逻辑推理、数学计算、代码调试时特别好用。直接让模型给结论它往往跳步跳步就容易出错让它先把推理过程写出来准确率会明显上升。最简单的用法就是在提示词里加一句请一步一步思考先列出推理过程再给出最终结论。遇到复杂问题时这句话几乎等于给模型上了保险。比如做技术方案对比你可以要求它先分别列出方案A和方案B的适用条件、成本、维护难度再做对比最后给出推荐结论。这样它就不会跳过中间分析直接给你一个没有依据的结论。我自己的习惯是凡是任务里带分析判断推荐这类词默认加思维链引导。它还有一层隐藏好处当AI把推理过程列出来你能看到它是依据什么逻辑得出这个结论方便你纠正它的误区。如果它直接给结论你连怎么纠错都无从下手。3.6 技巧六负面约束转正面表达——不要要怎么说才有效很多人在提示词里写不要写太长不要用专业术语不要跑题实际效果往往适得其反。这背后的原理是模型对具体名词的响应权重很高长字被单独放大它可能反而给你一篇冗长的回复因为它把不要写太长中的长作为了关注焦点。负面约束不是不能用而是要说得更具体、更可落地。对比一下不要写太长 → 改成全文控制在300字以内不要用专业术语 → 改成面向零基础的读者解释每个专业术语不要跑题 → 改成所有内容只围绕XX主题展开与主题无关的内容一律不写看出区别了吗负面约束只告诉模型不要什么模型还要猜要什么改成正面表达之后直接给出了可执行的具体标准。你在写提示词时只要稍微转化一下措辞输出质量就有立竿见影的变化。如果真的需要在提示词里标出禁止项我建议放在所有正面指令的后面用特别注意引导例如特别注意回答中不要出现未经证实的数据如果信息缺失请明确说资料中未提及不要自行补全。这种写法把负面约束变成了边界条件而不是主要指令副作用会小很多。3.7 技巧七参数配合——温度与输出长度的取舍如果你用的是API可以配合参数调节提示词效果如果你用的是对话产品理解这个逻辑也能帮你在提示词里提出对应的要求。温度这个参数控制的是随机性。温度越低输出越保守、越可预测温度越高输出越丰富、越有创造力。实测下来代码生成、数据提取、格式转换这类任务温度调到0到0.3之间准确率最高。写文案、头脑风暴这类创意任务温度调到0.7到0.9更容易蹦出让你眼前一亮的内容。还有一个容易被忽略的参数是输出长度上限。很多AI生成到一半就停不是它不想写了是长度到了上限。如果你预感到回答需要较长篇幅可以在提示词里明确写完整输出不要省略中间步骤或者如果内容较长请分段连续输出不要截断。这比你事后反复追问继续要舒服得多。参数和提示词是互相配合的不要只调参数不调提示词也不要只抠提示词完全不管参数。我的习惯是先写好提示词再根据输出结果微调参数两者一起动输出质量的提升才会明显。3.8 技巧八自检指令——让AI当自己的评审模型生成的内容往往自带文本流畅但细节不严谨的问题解决这个问题的技巧是自检指令。让AI在第一次生成之后扮演评审重新审视自己刚才的输出找出问题再修订一版。典型的用法请先给出你对这个方案的初步建议。 然后请你换一个身份你是一位经验丰富的评审专家从逻辑漏洞、遗漏信息、可执行性三个角度检查刚才的建议。 最后输出修订后的版本并在末尾列出你修改了哪些地方。这个技巧好用的地方在于它利用了模型换个角度重新审题的能力。模型在生成时是顺着概率往前延伸的容易陷入自洽但让它从评审角度回看等于是换了一种思维方式对待同一个问题很多生成时没察觉到的漏洞会在这一步暴露出来。如果你觉得评审这个步骤输出太啰嗦可以只让它给出修改说明列表不要写大段分析节省时间和篇幅。实测下来这个技巧在方案撰写、代码审查、文章润色三个场景里提升最明显。3.9 技巧九迭代修补——把对话当成连续调试我看到太多人有一个误区指望一遍提示词就生成完美结果。实际上即使我写了这么久提示词也很少有第一遍就完全满意的输出。真正的可靠操作是把对话当成连续调试。迭代修补的精髓是每一轮只修一个具体问题。第一轮生成初稿之后你觉得语气太正式就只告诉它把语气调得口语化一些保留原文结构和事实不变。如果你同时提语气、长度、结构、例子好几个要求模型往往会顾此失彼改了这个丢了那个。第二轮之后你还可以利用保持XX不变只调整YY这个句式给模型的修改划定了范围防止它顺手把你满意的地方也改掉了。我之前写一篇产品方案前后迭代了四轮每一步都只动一个变量先定结构再调语言再补数据最后改排版。每一轮都比上一轮好而且没有出现越改越回去的情况。3.10 技巧十变量模板化——把提示词升级成可复用资产前面九个技巧都在优化单次对话但如果你经常做同类型任务最应该做的是把提示词沉淀成模板。所谓变量模板化就是把提示词里相对固定的部分和每次变化的部分拆开。举个例子我团队里常用的月报分析提示词长这样你是业务运营负责人。请基于我提供的本月数据输出以下结构 1. 本月核心指标变化环比、对比目标 2. 变化最大的3个原因分析仅基于数据推断 3. 下月优先级建议不超过3条 数据如下 {{数据粘贴区}}这个模板里的{{数据粘贴区}}就是变量其他部分是固定框架。每次更新数据直接复制一个新对话替换变量就能得到一份结构一致的月报分析。效率比每次现写提示词高很多更重要的是输出质量是稳定的不会因为某天你状态不好就写出一个劣质提示词。自己做模板库的时候注意给模板命名加标签比如写作-邮件-客户跟进编程-Python-代码审查分析-月报-业务复盘方便检索。我见过有人建了模板库但从来不用原因是找模板比现写还麻烦所以分类一定不要复杂够用就好。4. 附可直接复制使用的模板库这一节我把压箱底的四套模板放出来。它们的共同特点四要素齐全角色、任务、格式、约束已经做了变量化设计你只需要替换占位符就能在真实场景里直接跑。建议先用三到五次再根据自己的习惯微调慢慢就会变成你自己的东西。4.1 通用写作模板适配公众号/邮件/汇报你是{{领域如品牌营销/企业管理/教育}}领域的内容专家。 请帮我写一篇{{文章类型如公众号推文/客户邮件/周报汇报}}。 目标读者{{读者画像如中小企业主/资深HR/研发主管}} 核心信息{{想表达的核心内容}} 写作要求 1. 开头用{{一个具体场景/反常识观点/数据}}引入不要用随着开头 2. 正文分成{{3~4}}个部分每部分有小标题 3. 每个部分至少包含一个具体的案例或操作建议 4. 结尾给出一个可执行的行动建议 5. 全文不超过{{字数}}字语言{{风格如偏正式/口语化/理性克制}}。 请先输出大纲等我确认后再写正文。这个模板的亮点在最后一句先输出大纲它把一个大任务拆成了两个步骤让你有机会在AI跑偏之前纠正方向。我写所有长文都用这个策略先低成本确认结构再投入token生成全文。4.2 编程开发模板代码生成/代码审查/报错排查你是{{技术栈如Python后端/前端React}}方向的资深工程师。 任务{{请生成代码/请审查代码/请解释报错}} 背景信息 - 项目技术栈{{技术栈详情}} - 关键依赖版本{{版本信息}} - 业务场景{{这段代码要解决的问题}} 请遵循 1. 代码需考虑边界条件和异常处理 2. 优先使用标准库或项目已有依赖不引入新依赖 3. 关键逻辑要有注释 4. 输出格式先给出思路说明再给出完整代码最后列出测试用例。 待处理的代码/报错信息如下 {{粘贴代码或报错}}写代码类提示词最容易踩的坑是不给业务场景。你让AI写一个日期格式化函数它给你一个通用实现你让它写一个处理跨时区订单生成日期的格式化函数需要考虑夏令时它给你的才是能直接用到项目里的代码。这个模板里的业务场景字段就是为了解决这个问题。4.3 数据分析模板Excel/SQL/报表解读你是数据分析专家。 任务{{分析/提取/解读}}以下数据。 背景{{这批数据的来源和业务场景如电商平台近3个月的订单明细}} 请输出 1. 数据概览关键指标的计算结果{{指标列表}} 2. 明显趋势或异常点仅基于数据本身不要臆测原因 3. 针对{{业务目标如提升复购率/降低成本}}的3条建议每条附数据依据 数据如下 {{粘贴数据或表结构}} 约束 - 如果数据有缺失或不清晰请明确说明不要填补 - 所有结论必须引用数据中的具体数值。分析类任务是最容易出现一本正经胡说八道的场景所以我在模板里特别加了所有结论必须引用具体数值这条约束。模型一旦被要求引用数值编造的成本就变高了输出质量会稳很多。4.4 学习拆解模板概念学习/错题分析/读书笔记你是教学经验丰富的老师擅长用类比和案例把复杂概念讲清楚。 我正在学习{{概念/章节/书籍名称}}。 请用以下方式帮我 1. 用一段生活化的类比解释核心概念 2. 拆解成3~5个关键知识点每个知识点配一个现实案例 3. 指出初学者最容易误解的地方{{可选针对我的具体困惑填写}} 4. 给我出3道自测题难度递增先不要给答案 5. 等我答完再批改并解释。这个模板把AI定位成苏格拉底式的陪练而不是一个答案机器。第5步是关键让它先不给答案等你自己回答之后再做批改这样学习效果比直接看答案好得多。如果你用的是支持长上下文的工具这个模板可以在同一个对话里完整跑完整个学习闭环。5. 踩坑复盘提示词工程最容易失效的五个场景技巧和模板都是正确做法但只有当你见过错误答案长什么样、知道错在哪才算真正掌握。这一节是我在实际使用中反复踩过、复盘过的最典型失效场景每一个都对应着一条可以沉淀的经验。5.1 角色设了还是跑偏角色不够具体最早我写角色最爱用你是行业专家你是资深顾问这种写法结果输出依然泛泛。后来我发现问题出在专家这个词已经被训练数据用滥了模型对它的响应基本是平均分布激活不了任何领域特殊性。角色的价值在于具体约束而不是抬高身份。你把你是专家改成你是负责过三个从0到1项目的SaaS产品经理模型就能调用关于SaaS产品从立项到上线的流程知识你把你是营销高手改成你擅长小红书美妆赛道的种草文案熟悉平台违禁词规则它就可能真的按平台调性来写。所以当你发现设了角色之后输出依然跑偏先别怪AI回头看看自己的角色描述里到底有没有足够多可被利用的具体背景。角色越具体跑偏概率越低。5.2 不要清单越多错误越顽固负面指令的副作用有一阵我特别爱在提示词末尾写一堆不要比如不要用太多专业术语不要列太多点不要写成广告风格结果AI像是叛逆期一样你越不要它越来劲。后来我意识到负面清单越多模型在生成时需要同时回避的约束就越多生成难度就越大反而更容易踩中你不想让它做的事情。现在我写提示词默认把不要做某事改写成要做某事的正面表达只有在绝对必要的时候才保留负面约束而且一定放在所有指令的最后用特别注意引出。如果你发现自己写提示词时负面约束超过两条说明你的正面要求还没写清楚先回去把正面要求补到位。5.3 模板库失灵没有做任务拆解的模板是伪模板我自己建过一大堆模板最后大部分进了冷宫原因就一个当时把模板写得太全试图一个模板覆盖所有场景。比如我写过一个产品文案模板管它是公众号推文还是电商详情页还是朋友圈种草都往里套结果哪个场景的输出都不够好。后来我学到一个关键经验模板要按任务粒度来建而不是按领域来建。同样写产品文案公众号推文、电商详情页、朋友圈短文案这三个任务的输出逻辑完全不同应该是三个模板而不是一个模板加一堆条件分支。你现在看到的第四章模板库全部是按任务粒度重新拆过的用起来才真正顺手。建模板库的正确姿势是先高频使用把同一个任务反复调优到满意再把稳定的提示词沉淀成模板。反过来先搭一个宏大的模板框架再去填内容大概率会废。5.4 分不清是提示词问题还是模型问题这个坑特别隐蔽。有时候提示词写得很完整输出还是不对你可能以为是模型不行。但真相是任务本身超出模型能力边界或者任务需要的背景知识你没有提供全。怎么区分我的经验是做一个最小对照组先用一个极其简洁的版本试一遍看方向对不对再加上角色和格式看结构是否改善最后逐步加约束和示例看质量是否提升。如果三步走完输出明显改善说明是提示词问题继续调就行。如果三步走完输出依然不稳定或错误频出那大概率是以下三种情况任务本身对模型来说太难、你输入的材料不够、或者当前模型不适合这个任务。这种时候换一个能力更强的模型或者换一个思路比继续执拗地调提示词有价值得多。5.5 完整的排查链路我是这样一步步定位问题的我在实际工作中真正遇到过不少提示词明明很完整但结果很差的情况下面这条链路是我从多次排障里沉淀出来的几乎可以应对大部分提示词失效的场景先删掉所有附加约束只保留最核心的任务描述看模型能不能给一个方向正确的回答。如果这都跑偏说明任务描述本身就有歧义问题出在最底层。加回角色描述看输出风格是否变化。如果没变化说明角色描述太虚换成带具体背景的角色。加回格式要求看结构是否稳定。如果结构总变说明你给的格式描述不够具体试着给出一个结构示例。加一个高质量示例这是我最推荐的终极武器看模型是否模仿到位。如果前四步全都做完还是不行把任务拆小分成多轮对话逐步解决。仍然不行换模型或者换一种方式描述问题本身。这套链路的核心思路是每次只改一个变量。很多人调提示词是同时改好几个地方结果输出变了也不知道是哪个改动起了作用下次只能靠运气。锁定变量才能让调优过程可复现。6. 从技巧到体系个人提示词工程的下一步6.1 建立自己的提示词工作台十个技巧都上手之后你可能会发现一个尴尬的问题会的技巧多了但每次写提示词的时候还是靠临场发挥没有沉淀。想要真正把提示词从技能变成体系我建议你给自己配一个提示词工作台。不一定要用专门的工具一个表格就够。列五个字段模板名称、适用场景、模板内容、高频踩坑点、最近一次效果。每次用模板之前复制一次内容用完把效果和踩坑记上去。这样持续两周你就能积累起一份完全属于自己的、经过实践检验的模板库。另外一个经验是版本管理同一套模板改过三次以上就别叫它同一个名字了用V1、V2、V3区分。有些模板改着改着你会发现还是V2好使没有版本号就只能凭记忆后悔。6.2 最后一句实在话提示词工程没有什么不可告人的秘诀它就是你跟一个博学但缺乏常识的搭档磨合的过程。你说话越具体它越靠谱你把要求藏在肚子里它就只能跟着感觉走。我自己一路实践下来的最大感受是别追求一遍写对别相信有什么万能模板真正重要的是建立一套快速试错、每轮只改一个变量、持续沉淀的工作习惯。技巧是弹药习惯才是武器。如果你看完这篇只带走一句话我希望是这句话好的提示词不是华丽的指令而是把模型从猜你要什么变成按你说的做。技巧和模板都给你了下一步去你自己的真实任务里试一遍吧。