提示词工程这几年算是被聊烂了但真正能把提示词写到“稳定可用”的人其实并不多。见过太多人拿大模型写东西开口就是一句“帮我写个方案”结果出来的内容要么泛泛而谈要么漏洞百出最后还要靠自己返工。说到底很多人缺的不是大模型知识而是一套能把需求翻译成模型能理解的“语言”的方法。这套方法就是提示词工程。这篇内容我整理了10个实操性非常强的提示词技巧每个技巧都配了可以直接复制的模板覆盖了日常写作、数据处理、代码辅助、逻辑推理这些常见场景。不管你用的是GPT、Claude、文心一言还是其他主流大模型这些技巧都通用。文章不会讲太深的理论重点放在“怎么用”和“为什么这么用”让你看完就能上手改自己的提示词。顺带说一句提示词工程发展到今天已经出现了“上下文工程”这个概念。简单理解就是不再只盯着单条提示词怎么写而是把整个对话上下文当作一个可设计、可管理的系统来对待。这个新趋势我会在后面的章节详细展开它才是提示词工程的下一个演进方向。1. 先搞清楚提示词工程到底在解决什么问题1.1 不是玄学是系统和约束很多人把提示词工程想得太玄了觉得像是某种魔法咒语念对了模型就能听懂。其实不是。提示词工程的本质是在你和模型之间建立一套清晰的“沟通协议”。大模型本质上是一个概率系统它会根据你给的输入预测最可能的下一个词。所以你给它越明确的信息、越具体的约束它输出的质量就越可控。反过来如果你给它的指令模糊、缺少上下文、没有示例那它就只能靠“猜”来输出结果自然充满不确定性。我常用一个类比来解释这件事提示词工程就像给新来的实习生布置任务。你只说一句“把这个事情处理一下”实习生大概率不知道从哪下手但如果你说“把这份Excel里的重复数据清理掉保留最近一条记录结果输出成新表格原数据不动”对方就会很清楚自己要做什么。模型也一样甚至更极端——它连“常识性补全”都需要在提示词里写清楚。明确了这一点很多问题就迎刃而解了为什么同样的需求别人写的提示词效果好你写的就不行大概率不是你理解能力差而是你的提示词少了约束条件。1.2 提示词工程的适用场景与典型误区提示词工程适用的场景非常广只要你在用对话式大模型就逃不开这几个核心操作内容生成、文本改写、信息提取、数据分析、代码编写、逻辑推理、角色扮演等。但这些场景里普通人最容易犯三个典型误区。第一个误区提示词越短越好。有些人觉得大模型应该“懂我”一句话需求就够了。结果输出一出来完全不是自己想要的然后抱怨“模型不好用”。真实情况是模型不是你肚子里的蛔虫它只能基于你给的信息做推断。你给的信息越少它的推测空间就越大跑偏的概率就越高。第二个误区提示词越长越好。反过来也有人把提示词写成了论文背景、目标、限制、格式说明、示例全塞进去最后一执行模型反而“绕晕”了输出的内容抓不住重点。提示词不是越长越好而是“该有的信息必须有冗余的信息坚决去掉”。第三个误区只写不做不迭代。很多人把提示词当成一次性工具写完不好用就直接放弃换一种说法重来。其实提示词工程和写代码一样需要迭代。你加一个限定词输出质量可能就从“不能看”变成了“基本能用”你再补一个示例它就从“基本能用”变成了“超出预期”。这中间的差距只差一轮优化。明白了这些底层逻辑再去看具体的技巧你会发现其实都是同一件事的不同侧面让模型少一点猜测多一点确定性。2. 10个能立刻上手的技巧上从指令到示例2.1 技巧一把大目标拆成子任务我见过最典型的失败提示词长这样帮我写一份关于公司年度营销策略的报告。这个提示词问题非常大年度营销策略涵盖市场分析、竞品分析、目标用户洞察、渠道策略、内容策略、预算分配、时间规划……模型根本不知道你要它重点写哪个部分它只能给你一个“看起来什么都有实际上什么都没说透”的平均数答案。正确的做法是把大任务拆成一系列小任务。比如你想写年度营销策略不要一次性让模型写完整份报告而是分几步第一步让模型分析市场趋势和竞品动态第二步让它输出目标用户画像第三步再让它基于前面的分析给渠道策略最后合并成完整报告。每一步都是一个小而清晰的提示词模型的输出质量会明显提升。这背后的原理也不难理解大模型在处理复杂任务时如果一步到位中间任何一个环节理解偏差后面都会连锁放大。但拆成子任务后每一步都可以检查、修正相当于把风险分散了。实际用的时候也不用每次手动拆。你可以在一个提示词里明确告诉模型“分步骤执行”并规定每一步的输出内容。比如请按以下步骤执行 第一步分析XX行业近一年的市场趋势输出核心结论 第二步基于第一步的结论列出目标用户的核心需求 第三步针对目标用户给出3条差异化的营销策略 最后将以上结果汇总成简洁报告。这样模型会被你的步骤引导着走输出的结构性和逻辑一致性都会大幅提升。2.2 技巧二给模型一个明确角色“角色设定”可能是被滥用最多、也最被低估的一个技巧。很多人觉得“你现在是一个资深营销专家”这种话很虚但其实它作用非常明确限定模型的回答风格、语言体系和知识框架。打个比方你跟模型说“帮我把这段文字改得专业一点”它可能只是把口语词换成书面语。但如果你说“你是一个有十年经验的投行分析师请用你的视角帮我修改这段文字”模型就会主动带入投行分析师的表达习惯——使用专业术语、注重数据支撑、关注风险提示、逻辑更严密。角色设定本质上是在给模型“定向激活”一类知识库和表达风格。角色设定有几个层次我建议按需使用简单角色你现在是一个资深编辑。适合泛场景约束力一般。具体角色你现在是一个专注于人工智能领域的科技记者写过多年深度报道擅长用通俗语言解释复杂技术。约束力更强输出风格更稳定。角色加任务你现在是一个专注于人工智能领域的科技记者。请将以下论文摘要改写成一篇适合普通读者阅读的科普短文保留核心信息避免专业术语堆砌。从经验来看角色描述越具体输出越稳定。原因也很直观越具体的角色对应的“语料空间”越窄模型在生成时选择面越小跑偏的概率自然越低。一个需要提醒的点角色设定不要跟任务脱节。有些人喜欢堆角色设定写了一大段“你是全球顶尖的XX专家拥有XX年经验”但后面跟的任务却跟这个角色毫不相关模型就会无所适从。角色要和任务强相关才真正有效。2.3 技巧三用“少样本示例”代替纯描述少样本提示是目前提升模型输出质量性价比最高的一种方法。所谓少样本就是你在提示词里给模型几个“输入-输出”的示例让它照着示例的模式来生成。举个具体例子。假设你想让模型把一段产品描述改写成社交媒体风格单靠描述说“要活泼、有趣、年轻人喜欢”模型输出的风格可能时好时坏。但如果你给它两个示例示例1 输入这是一款无线蓝牙耳机续航时间长音质清晰。 输出戴上它世界瞬间变得有BGM了。续航能陪你从早高峰听到晚高峰音质好到每一根弦都清清楚楚。示例2 输入这款保温杯采用316不锈钢材质保温保冷两用。 输出316不锈钢保温也保冷夏天冰美式冬天热拿铁一杯搞定。现在请用同样的风格改写以下产品描述这款智能手表支持血氧监测和睡眠跟踪续航长达14天。看到了吗示例的作用是直接在输出层面对齐模型的预期。它告诉模型的不只是“你应该写得活泼”而是“活泼具体长什么样”。少样本示例的选取也有讲究。示例要有代表性覆盖你希望模型输出的不同变体示例要足够清晰避免歧义示例数量通常2到5个为宜太多会占用上下文长度太少又起不到约束作用。我在实际工作中用这个方法最多。写邮件、写标题、写摘要只要给两三个“对味”的示例模型的输出基本就是“你想要的样子”不再需要反复调整措辞。2.4 技巧四限定输出格式让结果可解析很多人跟模型聊天式地写提示词从来不规定输出格式导致的结果就是模型想到了哪写到哪标题层级混乱重点不突出有时候还跑题。要解决这个问题最简单粗暴的方法就是明确告诉模型你要什么格式。比如你想让模型给你一份竞品分析不要只说“分析一下竞品”而是说请对以下3个竞品进行对比分析按如下格式输出 一、产品名称 二、目标用户 三、核心功能 四、价格策略 五、优劣势分析每个竞品3点优势、3点劣势 六、对我们的启示内容要简洁每个部分控制在200字以内。这样模型输出的内容你几乎不需要二次整理可以直接用、直接排版。尤其是当你需要把模型输出接入自动化流程时格式限定就更加重要——JSON格式、Markdown格式、表格格式都可以在提示词里明确指定。这里顺带分享一个实操细节如果你需要的是结构化数据直接在提示词里给它一个JSON模板让模型“填空”式生成。比如请从以下合同中提取关键信息并按照如下JSON格式输出 {合同编号: , 签约日期: , 甲方: , 乙方: , 金额: , 付款方式: , 违约责任: }这种方法在信息提取场景下非常好用输出可以直接被程序解析。平时只是手动用模型的话Markdown格式基本够用重点是把“条理”和“层次”在提示词里定死。2.5 技巧五思维链提示逼出推理过程思维链应该是最近一年多最出圈的一个提示词技巧没有之一。它的核心操作只有一句话在提示词里让模型“一步一步思考”然后再给答案。比如你问模型一个长方形的长是12米宽是8米。如果长增加3米面积增加了多少平方米如果直接问模型可能会给出错误答案。但如果你这样问一个长方形的长是12米宽是8米。如果长增加3米面积增加了多少平方米请一步一步推导。模型就会写原面积是12乘以8等于96平方米新长是12加3等于15米新面积是15乘以8等于120平方米面积增加了120减96等于24平方米。看起来很简单对吧但就是这么简单的“一句咒语”对复杂推理任务的效果往往立竿见影。背后的原理我不打算从学术角度深挖但从使用者的角度来说让模型把中间过程写出来等于是强制它按逻辑链展开而不是凭直觉跳到最后结论。有几个使用要点值得注意。第一思维链提示适合逻辑类任务比如数学题、逻辑分析、代码调试、因果推理但不太适合创意类任务比如写诗、写文案强行要求“一步一步思考”反而会让输出变得生硬。第二如果你担心模型在推理中犯错可以增加一个约束“如果推理过程中发现矛盾请指出并重新推导”。这相当于给模型留了纠错通道。第三思维链和少样本提示组合使用效果更好。在示例中直接展示“推理过程加结论”模型会学到你的推理风格输出质量更稳定。3. 10个能立刻上手的技巧下从约束到迭代3.1 技巧六给足上下文别让模型猜这个技巧看起来最像废话但真做得好的人不多。什么叫“给足上下文”就是你在提问之前先判断模型需要知道哪些背景信息才能回答好这个问题举个常出现的场景。你想让模型帮你写一封给客户的道歉邮件直接说“帮我写一封道歉邮件”模型大概率写出来的内容很空因为它不知道客户是谁、出了什么事、你想要什么态度。但如果你把上下文补齐请帮我写一封给客户的道歉邮件。背景如下我们是一家SaaS软件公司客户使用了我们的一款项目管理工具上周因为服务器故障导致客户数据暂时无法访问持续了2小时。客户是创业公司负责人比较看重效率情绪比较激动。我们希望邮件能表达歉意同时说明我们会采取措施避免类似问题并提供一定的补偿方案。这个提示词写出来的邮件跟前面的肯定不是一个级别。因为模型拥有了“共情”的依据知道对方是创业公司负责人、重视效率、情绪激动它就知道语气需要诚恳、直接、少说废话并且要给出实质性补偿方案。给上下文的本质是“在高维空间里圈定一个更加精确的区域”。你提供的每一个背景信息都在帮模型缩小猜测范围。换句话说如果你发现模型的输出总是“差一点意思”不要急着换提示词框架先反思一下我是不是没把该说的背景说清楚3.2 技巧七设定负面约束划清边界大多数人写提示词只写“要什么”很少写“不要什么”。但在实际使用中负面约束往往比正面要求更管用。举个例子。你想让模型帮你写一份周报总结你说“帮我写一份本周工作周报内容包括数据复盘、问题分析、下周计划”。模型大概率会写出一份看起来挺正式的周报。但如果你加一句“不要使用套话和空话不要写‘全力以赴’‘积极推进’这类词每个结论都要有数据或事实支撑”周报的质量会立刻上一个台阶。再比如你想让模型将一篇文章改写成短视频脚本你可以告诉它“不要出现书面语过重的表达不要用过于夸张的形容词每个句子要口语化控制在20秒内能读完”。这些负面约束等于帮模型画了一条更细的边界线它输出时“越界”的可能性就大大降低。我习惯的做法是把负面约束写成“黑名单式”清单一条一条列清楚要求不要使用“首先、其次、最后”这类连接词不要出现“赋能、抓手、闭环”这类空话不要超过500字不要输出与主题无关的内容。每加一条负面约束模型的输出就“规矩”一分。注意负面约束不是越多越好抓最影响质量的2到4条就足够了。列太多反而会限制模型发挥让输出变得支离破碎。3.3 技巧八用分隔符整理输入结构很多人给模型喂长文本的时候习惯把整段内容直接丢进去然后在末尾加一句“帮我总结一下”。这样做问题是模型有时候分不清哪部分是背景信息、哪部分是待处理内容、哪部分是任务指令。结果就是它可能把你给的材料也当成指令的一部分甚至直接改写了原材料。解决办法很简单用分隔符把不同部分隔开并在提示词里明确说明每个部分的角色。比如以下是待处理的原始文本请分析这段文本的核心观点和三个支撑论据【原文开始】 这里粘贴原文内容 【原文结束】输出格式 核心观点一句话概括 三个支撑论据用要点列出分隔符不一定是“【】也可以用、---、XML标签等等关键是让模型识别出清晰的边界。市面上主流模型对常见分隔符都有较好的理解你甚至可以直接说“在两个——之间的是原文不要修改它。”我对分隔符的要求是格式统一、不与文档内容冲突。如果原文中本身就有【原文开始】这种词就换一种分隔符避免歧义。这个技巧在长文档分析、合同审阅、邮件修订、翻译校对等场景下特别实用。它能从结构上防止模型“张冠李戴”是投入产出比非常高的一个习惯。3.4 技巧九先给结论再给解释稳定输出风格大家有没有发现同样一个模型有时候给你的回答特别“说人话”有时候又特别“说教”这跟提示词里的“顺序”有很大关系。如果你在提示词里要求“先给出结论再解释理由”模型的输出就会变得非常干净利落适合快速获取信息如果你要求“先分析背景逐步推导最后给出结论”模型的输出就会更有过程感和说服力。这个技巧的适用范围很广想让模型直接给答案用“先给结论再给出理由”想让模型做分析报告用“先列分析过程最后给出建议”想让模型帮你做出决定用“列出选项对比标注每个选项的优缺点再推荐一个”。举一个我实际用过的例子以下是我的预算情况月收入1.5万元固定支出8000元目前存款10万元。我想买一辆15万左右的车是否建议贷款购买请先给出建议再列出理由。模型的输出就会是“建议暂缓购车。理由如下……”。这种结构化的输出让你一眼能抓住核心答案细节按需展开效率提升非常明显。这背后的逻辑也不复杂。模型生成文本时会顺着你的结构预期往下写。你规定了“先结论后解释”它就会把最重要的信息放在前面你规定了“先分析后结论”它就会把推理过程铺在前面。所以你想要什么风格就把它写进结构里。3.5 技巧十迭代调优而非一次成型前面九个技巧讲完我想特别强调一个心态问题不要把提示词当成“一次成型”的东西。你见过谁写代码一遍就过的提示词也一样需要不断调试、迭代、优化。我的标准流程是第一版提示词把需求、上下文、输出格式写清楚跑一次看效果根据输出质量找出最不满意的部分针对性加约束修改之后再跑一次反复2到3轮直到输出稳定达到预期。举个例子。我第一次让模型帮我写公众号文章标题提示词只有一句“帮我写10个公众号标题”。模型给出来的标题又老套又长完全不满意。于是我在提示词里加了限制条件“标题长度不超过20个字不要使用问句要包含数字或具体关键词”。第二次输出好了很多。我又跑了一轮加了两个示例标题第三次基本就能直接用了。迭代调优还有一个关键指标稳定性。如果同一个提示词跑五次输出结果每次差别很大说明这个提示词的约束还不够需要继续增加细节直到五次输出在核心点上保持一致。这尤其在批量生成内容时很重要——你总不希望同一套参数生成的文章风格天差地别。4. 可直接复用的提示词模板库4.1 模板一通用需求分析适用场景你有一个模糊需求想让模型帮你理清思路、拆解任务。这个模板几乎万能尤其适合写方案、做计划、搭框架。角色你是一名擅长结构化思考的顾问。 任务帮我分析以下需求拆解执行步骤和关键要素。 我的需求是{在这里描述你的需求}请按以下结构输出需求概述用3句话概括需求核心关键要素列出5个以内影响成败的因素执行步骤拆解为3到5个步骤每个步骤标注目标风险提示列出2到3个可能踩坑的地方优先级建议根据投入产出比给步骤排序。4.2 模板二内容改写与风格统一适用场景需要批量改写文案、统一多篇内容的风格或者将一个题材转换为另一种风格。角色你是一名资深内容编辑擅长把普通文本改写成高传播度的内容。 任务把以下文本改写为{风格关键词如小红书口吻/专业报告/严肃媒体/短视频脚本}。要求保留原文核心信息不添油加醋语气要{描述语气}不要使用{禁止出现的词或表达}控制在{字数}字以内。原文 {这里粘贴原文}如果原文信息不够完整请先列出你认为缺失的关键信息再开始改写。4.3 模板三结构化信息提取适用场景从长文本里提取关键信息尤其是合同、简历、论文、聊天记录等非结构化内容。角色你是一名数据整理专家擅长从非结构化文本中提取结构化信息。 任务从以下文本中提取关键信息并按照指定格式输出。输出格式 关键实体{实体1、实体2} 核心事实{用3句话概括} 数据指标{所有出现的数字、日期、金额等} 潜在风险{如果有} 行动建议{如果有}注意不要修改原文原意不要加入你的推测无法确定的信息标记为“待确认”。原文 {这里粘贴文本}请严格按照以上格式输出确保每一项都有内容。4.4 模板四代码解释与Debug辅助适用场景你有一段代码看不懂或者代码报错找不到原因。角色你是一名有10年经验的后端工程师擅长代码评审和故障排查。 任务分析以下代码完成3件事用简单语言解释这段代码的功能指出潜在的Bug或性能问题如果代码报错请给出排查思路和修复建议。请分条输出每条内容控制在200字以内。不要直接给出大段修改后的代码先解释再提供建议。代码 {在这里粘贴代码}这个模板的巧妙之处在于“先解释再给代码”能避免模型直接丢给你一坨代码而不解释思路。很多人调试代码时只拼命复制粘贴报错信息不如加上这个模板让模型既当解释器又当助手。4.5 模板库使用注意事项模板不是万能药直接套用有时会水土不服。我有几点使用心得第一所有模板里的【角色】都能换。你擅长什么领域、想要什么风格就把角色改成对应的身份。角色越贴近你的具体场景效果越好。第二模板里的“要求”部分是迭代优化的入口。发现输出偏了不要重写整个模板只调整要求里的约束条件。比如内容太长就加“控制在300字以内”内容太正式就加“口语化表达允许适当用网络流行语”。第三同一个任务建议准备两套模板轮换用。比如写标题一套“偏严肃专业”一套“偏轻松活泼”按内容风格选用。用多了你会发现不同模板在不同场景下的表现差异很大多准备几套能应对更多情况。5. 从提示词工程到上下文工程下一个演进方向5.1 为什么说上下文工程是提示词工程的演进方向现在行业里越来越多人开始提“上下文工程”这个词说它是提示词工程的下一个演进方向。这个说法我深有体会。提示词工程解决的核心问题是“单条指令”的优化怎么把需求说清楚让模型的单次输出更准确。但真实使用大模型的场景绝不是一问一答就结束的。更多时候我们在跟模型进行多轮对话模型需要记住之前聊过的内容结合历史信息才能回答当前的问题。这时候问题就不再是“提示词怎么写”而是“上下文怎么管理”。举一个实际的例子。你想让模型帮你迭代一篇文章你先给了初稿然后说“把开头改得更吸引人”模型改完你又觉得中间部分逻辑不顺就说“中间部分重新组织一下”。这时候模型需要知道“中间部分”是指哪个中间部分需要记得开头改成什么样了也需要了解你整体的写作目标和风格偏好。这些信息如果散落在多轮对话里没有被系统性地组织和沉淀模型很容易把信息搞混输出自然不稳定。上下文工程要做的就是把上面这些跨多轮的信息系统地设计成模型可理解的上下文结构。它不是单个技巧而是一整套方法论。5.2 上下文管理的三个实操方向知道了上下文工程是什么自然要关心怎么落地。我梳理了一下目前最实用的三个方向你可以直接用在自己的工作流里。第一个方向把“系统提示词”当成常驻记忆区。现在的对话模型通常支持系统级提示词它会在每次对话时被作为背景信息注入模型。你可以把项目背景、任务目标、输出偏好、禁止事项都写进系统提示词里。这样不管后面聊多少轮模型都记得你的初始要求。举个例子。如果你想用大模型做内容创作工作流系统提示词可以这样写你的任务是在整个对话中维护一篇文章的写作。文章主题是{主题}目标读者是{读者}语气要求是{风格}。每次输出内容更新后你需要保持整体结构一致并在后续修改中参考前文内容。这样设置后哪怕你中间穿插了大量修改指令模型也知道围绕什么主线来执行。第二个方向把对话历史进行“压缩”和“总结”。上下文长度是有限的聊多了之后早期信息会被“挤”出去。解决办法是每隔几轮让模型帮你做一次阶段性总结把关键决策、已经完成的修改、待办事项提取出来然后在后续对话中引用这个总结。比如请把到目前为止我们讨论的所有修改意见汇总成一份清单包括已完成的修改、尚未处理的意见、最终确定的风格要求。输出后我们将基于这份清单继续。这就是在手动做“上下文压缩”本质上是帮模型清理缓存、抓重点。第三个方向引入外部知识检索做真正的“上下文工程”。这个方向更进阶一些。如果你有一个长期的知识库、文档库可以先用检索工具把与当前问题最相关的内容抽出来再把这些内容注入提示词作为上下文的一部分。这就是常说的RAGRetrieval-Augmented Generation检索增强生成。它的核心价值在于让模型基于“最相关”的信息回答问题而不是基于它模糊的记忆瞎编。这三个方向难度和收益都是递增的。前两个你直接用对话界面就能操作第三个需要一点技术手段但效果最稳定。上下文工程的核心其实就一句话把关键信息结构化管理让模型在任何一轮对话里都能拿到它需要的那部分背景。5.3 上下文工程的坑信息过载与主题漂移说完了方向再聊聊我踩过的坑。上下文工程听起来美好但做不好效果比不用还差。最大的坑上下文塞得太满模型抓不住重点。有些人在系统提示词里写了几百字项目背景、目标、要求、风格、禁忌……结果模型在对话时不知道该优先遵循哪条输出经常跑偏。解决方式是精简系统提示词把最核心的约束放在前面让模型“先看最重要的”。第二个坑主题漂移。多轮对话越聊越长模型的注意力被最新一轮指令带跑早期定下的风格和目标逐渐被遗忘。这个问题几乎无法靠模型自身解决只能靠你主动做“回拉”——在每一轮对话里适当地补充一句“请记住我们之前确定的需求不要偏离”。如果有系统提示词权限就把最重要的目标写进系统提示词。第三个坑上下文长度问题。长对话会消耗大量上下文空间容易触发模型自身的内容长度限制。如果你发现模型在长对话后开始“偷懒”——回答越来越短、越来越敷衍大概率是上下文快满了。这时候最常见的做法是把之前的对话进行总结然后开启一个新对话把总结作为初始上下文继续聊。上下文工程目前还没有一个“万能最佳实践”它更接近一门手艺需要根据模型的特点、任务的类型、对话的长度去不断调优。但它的方向是明确的提示词工程管的是“每一句话怎么说”上下文工程管的是“整个对话怎么组织”。前者是战术后者是战略。6. 常见问题与排查技巧实录6.1 输出不稳定同样提示词每次结果不一样这是最常遇到的问题之一。大模型本身带有一定随机性同样的提示词跑两次结果可能不完全一样。如果你追求输出完全一致可以在系统设置里把温度参数调低或者固定随机种子。但如果你只是通过提示词调用模型没法调参数那就要靠“增加约束”来压缩变化空间。实操建议给提示词加更多限定条件包括字数范围、结构模板、示例、负面约束把模型“自由发挥”的空间尽量缩小。如果你发现约束加了很多输出还是飘那可能是任务本身太开放试着把任务拆小一点。6.2 模型不遵守格式要求怎么说都没用如果每次提示词里都写“按JSON格式输出”但模型偶尔还是会输出多余的解释文字可以试试这几招在输出格式前加一句“只输出JSON不要输出其他任何文字”在示例里直接给出一个完整的JSON例子让模型参照让模型先“准备输出”再“正式输出”分两步走。比如先问“你准备好了吗”模型回答后再给正式指令。如果以上都不行换一个更强的模型版本往往能解决问题。格式遵循能力跟模型的整体能力强相关旧模型在这方面确实比较弱。6.3 提示词越写越长效果反而变差提示词太长导致效果变差通常有两个原因。要么是上下文窗口被无关信息挤占模型真正需要的信息不够突出要么是约束条件之间互相矛盾模型不知道该优先满足哪一条。排查方法很简单把提示词精简到原来的三分之一只保留“任务、上下文、输出格式、关键约束”四个要素跑一次看效果。如果效果反而更好说明之前的提示词确实信息过载了。之后再逐条把必要信息加回去找到一个平衡点。6.4 什么时候该放弃优化提示词提示词工程不是万能的。有些任务再怎么优化提示词效果都有限。比如需要结合大量实时数据、需要调用外部工具、需要访问私有数据库的场景光靠提示词根本没法解决。我的判断标准是如果同一个任务你已经迭代了5轮提示词输出质量仍然不达标那可能不是提示词的问题而是这个任务本身超出了纯文本模型的能力边界。这时候建议换思路要么引入外部工具搜索、代码执行、数据库查询要么换更强的模型要么把任务拆成更小的子任务。提示词优化也有边际收益递减的时候学会止损比死磕更重要。7. 最后分享一点我的实操体会写了这么多技巧和模板可能有人会觉得“道理我都懂但用起来还是不知道怎么开头”。我给你一个最简单的建议今天就挑一个你平时最常用大模型的任务——无论是写周报、写邮件还是整理资料——从这篇文章里找一个对应的技巧和模板原样套用一次再对比一下你以前的“直给式”提示词效果。相信我差异会大到你以后都不想再直接问模型了。这个对比实验是理解提示词工程价值最快的路径。你不需要一次掌握所有技巧先把一两个用得最顺的练熟再逐步把其他技巧加进自己的提示词体系里。每加一个技巧你离“稳定控制大模型输出”这个目标就近一步。