提示词工程这个词这两年几乎已经成了AI圈最热的关键词但说实话真正把它用明白的人并不多。很多人跟大模型聊天还是停留在“帮我写个文案”“给我讲讲XXX”这种随便说说的程度然后抱怨AI输出太水、像AI文、不可控。其实问题根本不在于模型不够聪明而在于你的提示词没有给模型足够清晰的指令。这篇文章我整理了10个能立刻上手的提示词技巧每一条都配了可以直接抄的模板最后还有一套通用模板库覆盖职场写作、编程调试、数据分析、学习总结这些高频场景。如果你正打算系统提升跟AI打交道的效率又不想看那种讲一堆理论却不给实操的教程这篇就是给你准备的。1. 先搞清楚提示词工程的底层逻辑1.1 为什么同一句话模型给的结果千差万别很多初学者最容易忽略的一点是大模型本质上是一个概率预测系统它生成每一个词都是基于前文内容的一个概率分布。你以为你给了它一个明确的问题但如果你的问题里信息缺失模型就会用它的“想象”去补全那些空白。我经常打一个比方提示词工程就像是给一个聪明但毫无常识的新人布置任务。你说“帮我整理一份材料”新人会懵因为他不知道整理给谁看、什么格式、多详细、重点在哪。但如果你说“请以项目助理的身份把这份周报浓缩成五条要点每条不超过30字合并同类项以列表输出”他就能给你一个几乎不用修改的结果。大模型比真实新人更依赖文字的确定性因为真实的实习生至少会开口问你而模型通常不会主动追问它只会按照最可能的路径往下生成。所以提示词工程的核心不是“讨好”模型也不是背一堆咒语而是把你自己脑子里那些没说出口的背景、标准、步骤、格式翻译成显式的文字。需求越完整模型的自由度越低输出就越可控。理解了这一点后面所有技巧其实都围绕同一个目标降低模型的自由度提高输出的确定性。1.2 提示词工程的四个核心组件我拆过大量有效提示词最后发现不管句式怎么变都绕不开四个组件角色、任务、上下文、格式。你可以把提示词想象成一份任务工单这四个组件分别回答了“谁来干”“干什么”“背景是什么”“交付物长什么样”。组件作用写法示例常见错误角色限定知识范围和回答风格“你是一位拥有15年经验的财务分析师”不加角色模型用万能口吻回答任务明确要执行的动作“对比这两份报表的差异列出前3个风险点”任务太宽泛比如“分析一下”上下文提供背景资料与约束条件“客户是传统制造业企业预算在50万以内”背景缺失输出目标不对格式规定输出结构和样式“输出Markdown表格包含序号/风险/建议/优先级”不指定格式得到一大段流水账这四个组件不一定要全部出现在每个提示词里但缺少任何一个都可能造成输出漂移。我之前做过一个测试同一份产品介绍不写角色直接让它“写一段宣传文案”和给它设定“你是一位擅长给年轻用户写种草笔记的文案请用口语化、有网感的风格来写”两者的结果差距大到像两个模型生成的一样。原因在于语言模型在训练时见过了太多不同的“人设”你给的角色越具体它越能激活对应语料库的分布。1.3 判断好提示词的三条标准我见过有些朋友收藏了一堆提示词但用起来还是觉得不行原因往往是他们不知道什么是“好”。其实判断提示词质量不需要等结果出来再靠感觉直接看三条标准就行。第一是可复现性。同样的提示词同一个模型隔一天再跑一遍结果应该大体一致。如果你发现每次输出的思路、结构、立场完全不一样那说明提示词里给了模型太大的自由发挥空间要么是任务没锁死要么是格式没规定。第二是可控制性。你能通过修改提示词里的某个参数比如字数、风格词、示例数量来精确调节输出而不是只能靠抽卡。比如你要求“输出5个创意方向每条控制在50字以内”它就该老老实实按这个数量来而不是给出两大段长文。第三是可迁移性。一个优秀的提示词不是只有一次性价值而是把变化的部分抽离出来比如用[主题]、[目标人群]、[字数]这些变量占位换一个场景改掉变量就能复用。这也是我觉得模板库最有价值的地方它让你把零散的技巧沉淀成资产。记住这三条标准之后再去看市面上各种花哨的提示词技巧你就会发现它们其实都是在帮你往这三个方向上靠。接下来要说的10个技巧每一个我都按照这个逻辑来说清楚它的适用场景和局限。2. 十个能立刻上手的提示词技巧详解2.1 角色设定法一句话让回答变专业角色设定是所有技巧里投入产出比最高的一个。为什么因为模型在训练阶段见过海量不同身份的人写的文本从程序员到律师到医生到销售都有不同的用语习惯、关注点和表达结构。当你明确指定一个角色模型就会从这个角色的“语料区域”里取样哪怕你问的是同一个问题输出也会变得“像那么回事”。我自己的一个经验和很多人相反角色不是越厉害越好而是越精确越好。你写“你是一位资深营销专家”和“你是一位专注快消品行业的营销专家服务过销售额在5亿到10亿元规模的企业”后者的输出会明显更落地。因为“专家”这个词已经被用滥了模型分不清你的专家是指哪种领域而精确描述会附带一套默认的决策逻辑。模板你是一位拥有[年限]经验的[行业/岗位]专家专注[细分领域]。请以你的专业视角回答下面的问题回答时请优先考虑[判断标准]并用[语言风格]表述。问题[具体问题]注意两点一是角色要跟任务匹配不要为了追求专业感随便加一个不相干的头衔。二是如果任务本身涉及多领域最好拆开来做让每个角色处理自己擅长的那部分不然模型也容易“精神分裂”。2.2 任务分解法把大问题拆成小步骤不知道你有没有一种体验让AI“帮我写一份商业计划书”它噼里啪啦给你生成了一大篇看着很全但每一个模块都浅尝辄止根本没法直接用。这就是典型的“大任务过载”。模型的注意力是有限的当任务跨度太长、涉及环节太多的时候它很难在每个环节上都保持高质量。解决思路有点像项目管理里的WBS工作分解结构把一个大任务拆成多个可直接执行的小子任务然后再组合结果。比如写一份产品可行性分析你可以拆成五步第一步让AI列出目标用户的核心痛点第二步让AI分析竞品的关键差异第三步做SWOT分析第四步给出差异化定位建议第五步把前面四步的结果汇总成一份报告框架。模板请按以下步骤完成任务每完成一步就停下来等我的指令第1步[子任务描述]第2步[子任务描述第3步[子任务描述]完成当前步骤后请输出结果并提示是否继续。这个模板还有一个隐形好处你可以随时介入对中间结果进行修正。上次我让AI帮我整理一份行业调研如果一次生成常常会出现后面内容和前面数据打架的情况改成逐步执行后我在第二步发现它引用的数据口径不对及时纠正后面几步生成的准确性就高了很多。你可以把它理解成给模型安了一个刹车而不是只能全程失控踩油门。2.3 示例驱动法Few-shot给模型一个“参考答案”如果说角色设定是告诉模型“你是谁”那么示例驱动就是告诉模型“我要的这种结果长什么样”。语言模型有一个非常强大的能力叫上下文学习in-context learning你给它两三个输入输出的配对例子它就能自己推断出中间那套规则比你说一百句抽象的“要增强感染力”都管用。比如你想让AI把一段产品说明改写成小红书的种草风与其写“请用有网感、口语化、带点夸张的语气来改写”不如直接给它两个例子原文A→成稿A原文B→成稿B然后说“参考上面的风格改写如下这段文字”。模型会把这几个例子里隐藏的句长、emoji使用习惯、人称转换方式都学会。模板我是[场景]我给你几个参考示例示例1 输入[原文] 输出[改写后的结果]示例2 输入[原文] 输出[改写后的结果]现在请处理下面的新内容输出风格和示例保持一致 输入[新内容]这里有两个容易踩的坑。第一示例不在多而在精一个典型的高质量示例胜过五个普通示例因为模型可能会把普通例子里的小毛病也学过去。第二示例最好覆盖你关心的边界情况比如你要求“既要口语化又不能丢失关键参数”那你的示例里就应该有一个保留参数的说法方式否则模型会只顾着口语化把数字和功能点都揉碎了。2.4 格式约束法用结构锁死输出很多时候你觉得AI输出“乱”不是它写得不好而是它没按你想要的格式给。比如你想快速把一份长文档提炼成几个要点AI偏给你一段完整的叙述你想要一个对比表格它却用了一大堆文字说明。这种问题的根源在于你没有预先约定输出结构。格式约束法就是直接在提示词里用“交付物清单”的形式告诉模型你最后要给我一个什么样的东西包含哪些字段按什么顺序。我一般会让AI“先写结构手再写内容”但这在单次生成里做不到所以最实际的方法就是在提示词里定义好输出模板。模板请阅读以下内容[内容]按照下面的结构输出核心结论用2-3句话概括主要结论关键依据列出3-5条支撑结论的事实用编号列表潜在风险列出2条风险点并给出应对建议下一步行动按优先级列出3条行动项每条不超过30字这个技巧尤其适合会议纪要、日报周报、竞品分析、投研笔记这类高频场景。我最早做模板库的时候就是从格式约束法开始的因为格式一旦固定同一类任务就可以无限复用。你只需要换掉中间的内容输出永远是一个结构清晰的文档这对强迫症来说简直是福音。2.5 思维链提示让模型先想后答思维链Chain of Thought简称CoT可能是这几年提示词工程领域最出圈的一个概念。它出现的原因也很朴素当模型被要求直接回答一个复杂问题时它倾向于“跳步”直接从问题蹦到结论而推理过程中的中间步骤一旦缺失最后的答案就很容易出错。让模型分步思考相当于把它的“心算”写成了“草稿纸上的计算过程”。你不需要模型每步都说得很复杂只要它把推导逻辑显式化正确率就会肉眼可见地提高。举一个我常用的场景让AI整理竞品定价策略。如果直接问“A产品和B产品的定价策略有什么差异”AI往往给出一堆含糊的分析但如果你让它“先分别梳理A产品的成本结构、目标客群、定价区间、促销策略再对比差异最后总结”它输出的内容就会扎实很多。模板我需要你帮我分析[问题]请你先一步步推导不要直接给结论。要求按以下顺序列出影响该问题的[关键变量]逐一分析每个变量在当前场景下的情况综合判断各变量的权重和相互关系最后得出结论并在结论后标注“主要依据”和“不确定性”需要注意的是思维链不是所有场景都适用。如果是一个简单的任务比如“翻译这段话”“压缩成100字摘要”你让它分步思考反而会浪费篇幅还可能把简单事情搞复杂。这个技巧主要用于涉及推理、决策、比较、数学计算、逻辑判断的任务。另外在实际使用中用“让我一步步分析”比直接照搬所谓“咒语”更自然模型自己就能理解这种指令。2.6 约束条件清单法明确告诉模型“不要做什么”大多数人在写提示词的时候只会在“要什么”上下功夫却很少写“不要什么”。但实际上负面约束有时候比正面要求更能防止灾难发生。模型的训练语料里包含了大量冗长、带车轱辘话、夹杂表情包的网络文本如果你不主动过滤结果里就很可能混入那些东西。有一次我让AI帮我写一段给客户看的项目总结它写得很“专业”但通篇都是“赋能”“抓手”“闭环”这类黑话客户根本看不进去。后来我在提示词末尾加了一句“不要使用任何行业黑话和流行词用小学六年级学生能看懂的话写”效果立刻变了。这个经验让我意识到与其抱怨模型不行不如承认自己没写清楚“边界”。模板请完成以下任务[任务描述]输出时务必满足下列约束条件字数控制在[数字]字以内面向[目标读者]避免使用[术语列表]不要输出[特定内容]不要堆砌形容词每句话都要有信息量如果信息不足直接说“缺少信息”不要编造约束条件清单还有一个好处它可以帮你在多个方案之间“划掉”明显不行的选项。比如给公众号起标题你可以明确“不要使用感叹号、不要用‘震惊’‘必看’‘重磅’这些词”这比单纯说“帮我起10个标题”要精准得多。最后得到的10个标题里哪怕有几个不惊艳至少不会让你尴尬。2.7 迭代追问法把一次对话变成多轮打磨我看到很多人的使用习惯是问一次结果不满意再新开一个会话重新问。这种方式白白浪费了大模型的上下文理解能力。真正高效的用法是把一次任务做成多轮迭代每一轮都基于上一轮的结果继续优化。这个思路有点像写文章时的修改过程第一版永远是糙的关键是你要能用指令把结果推向你想要的方向。常用的迭代指令包括“请把第二点展开得更详细”“把语气改成更正式的商务风”“缩减到300字以内”“换个角度重新写开头”“把这三条建议按可行性重新排序”等。我建议你在第一轮提示词里就预留一个“修改入口”这样后续的迭代指令可以被模型准确理解。最简单的做法就是让模型在输出时加上“结构标签”比如让它输出“款式一……款式二……”这样你就能直接说“保留款式一把款式二的口吻向款式一靠拢”而不是反复描述一堆模糊的感觉。模板第一轮请基于[素材/需求]输出3个不同视角的[方案/标题/版本]并用“版本一/版本二/版本三”区分。模板后续迭代轮保留版本二的主体结构但把语气从[当前语气]改成[目标语气]字数压到[数字]以内删除其中所有关于[某方面]的内容。需要提醒的是模型虽然有上下文窗口但窗口是有限的。当对话轮次太多前面的细节容易被冲淡这时候你可以把之前确认结论抄在中括号里发给它相当于做了一个“人工重述”。我用这个办法解决了大量长对话中途忘记早期约定的问题。2.8 反向提示法先让模型列问题再开始干活大部分用户在写提示词时都有一个坏毛病默认模型什么都知道。但事实上你对行业背景、目标、偏好的认知跟模型从你短短一句话里获取到的信息差可能非常大。与其让AI带着一堆问号硬写不如让它先把你没想清楚的地方暴露出来。反向提示法的核心逻辑是“先问后答”。在正式任务开始前先让模型列出一份“问题清单”这些问题都是它认为影响结果质量的关键信息你确认并补充这些信息后再让它正式执行。这个过程有时候甚至比最终生成的结果更有价值因为它能帮你把自己混乱的需求理清楚。模板我接下来的任务是[任务描述]但在你开始之前请先列出[数字]个会影响最终结果质量的问题你的问题要围绕目标、受众、风格、约束条件来提。等我逐条回答后你再开始执行任务。我去年给一家培训机构做课程大纲之前先用这个方法让AI列了8个问题包括“培训对象的技能水平”“课时长度”“期望解决的具体痛点”“是否需要配套练习”等。这些问题直接帮我重新梳理了客户需求后面生成的课程大纲一次过了客户的审核。你可以把这个技巧理解为让模型成为你的需求分析顾问而不仅仅是内容生成器。2.9 上下文管理法控制篇幅防止模型“失忆”大模型的上下文窗口是有限的。一旦对话太长或者塞入的参考资料太多模型就跟人一样会忘记前面的细节。这件事在标题里不太好体现但在实际工作中非常致命。最常见的场景是你让AI读了一份两三万字节的文档然后追问一个文档后半部分的细节它却开始一本正经地编造因为那些内容已经“滑出”了它的有效注意范围。解决思路有两个方向。第一是“精简输入”只把最相关的片段喂给模型。不要一股脑贴全文而是先贴目录或者先让它“用三句话概括全文重点”再基于概括进行追问。第二是“关键信息前置”因为模型对开头和结尾的内容记忆更深刻把最重要的背景信息放在第一句往往比藏在后半段效果好。模板长篇材料处理我有一段较长的材料我会分两次发送。第一次你只需要提取并记住以下信息[材料1] 请输出三个关键词和一句话摘要。第二次结合第一次的内容回答我的问题[问题]这套流程看起来多了一轮但实际节省的时间往往更多因为它在很大程度上避免了你跟模型在错误答案上空转。如果你要处理的是动辄几十页的报告建议直接按章节切片处理再把每章的摘要拼接而不是试图让AI一口吃成胖子。2.10 模板复用与变量化让提示词变成可复用的资产前九个技巧讲的是“怎么写好一个提示词”但真正能拉开效率差距的是“怎么把好提示词沉淀成模板库”。做法非常简单把那些稳定输出好结果的提示词里的可变部分抽出来用[变量]占位其余部分固化。等下次遇到同类任务你只需要替换变量几十秒钟就能生成一个质量稳定的结果。举个例子。我经常需要给文章写摘要。一开始我每次都会详细写一段“请阅读以下文章提取核心观点写一段150字左右的中文摘要……”后来我把这段固定话术抽出来变成一个模板请阅读以下文章完成两项任务用[数字]字以内概括文章的核心观点。列出文章中最重要的[数字]个支撑论据。要求语言客观、不要添加原文中不存在的观点、不要使用“本文”开头。文章内容如下 [文章内容]变量化之后我可以把同一个模板用在新闻、论文、行业报告等多种材料上只需要调整数字和粘贴内容。这就是模板库的基本逻辑不是收藏一堆提示词而是建立一套“任务类型—模板—变量—输出规范”的映射关系。我在下一章会给出一个可以直接抄的通用模板库你可以先从这些模板开始积累一段时间后再把自己的提示词往里补慢慢形成一套真正属于你自己的体系。3. 模板库搭建与使用3.1 模板库的设计原则很多人以为模板库就是收集一堆现成的提示词放在收藏夹里等到用了再翻出来。这种做法的问题在于“别人的模板”和“你的任务”之间永远存在各种细微的错位抄过来常常觉得别扭。真正高效的模板库应该是你自己边用边长出来的但有几个通用原则可以帮你少走弯路。第一一个模板只干一类事。模板不是越多越好而是越精准越好。如果某个模板既想帮你写周报又要做竞品分析那它在你做周报时会显得太宽泛做竞品分析时又不够深入。我会把模板按任务类型拆开比如“写作类-种草文案”“写作类-公文报告”“分析类-竞品对比”“编程类-调试报错”这样做的好处是查找方便、迭代也快。第二给模板预留明确的变量位。凡是任务中会变化的元素应该以[变量]形式标注出来比如[主题]、[目标读者]、[字数]。但变量不能太多超过四五个用起来就容易犯懒。我自己一般控制在三个左右剩下未指定的部分就靠提示词里的约束条件兜底。第三做好版本记录。模板不是一次成型的东西我今天用的模板大概率比三个月前的更完善。我的习惯是在模板库文件或表格里留一列“修订时间”和“修改原因”记录下“上次用它生成的某个版本客户反馈不好所以我加了第3条限制”。这样即使改坏了也还能找回历史版本。3.2 六个可以立刻套用的通用模板这里我挑选了六个我日常使用频率最高的模板覆盖不同场景。每个模板都不是写给特定行业的你可以直接替换中括号内容来用。第一个是内容写作模板。原理解释它同时锁定了角色、目标读者、结构、字数、语气五个核心变量能有效避免AI写成泛泛而谈的“宣传稿”。你是一位擅长[写作风格]写作者请帮我写一篇关于[主题]的内容。 目标读者[人群特征] 核心观点[一句话说明你想传达的信息] 结构要求 1. 开头用[具体场景/故事]引入不要写“随着社会发展”之类的套话 2. 中间分[数字]个要点展开每个要点先给结论再给解释 3. 结尾给一句可收藏的金句不要做总结性废话。 字数[数字]字左右语气[正式/轻松/专业]禁止使用[需要避免的词]。 请直接输出正文。第二个是编程调试模板。原理解释它把调试拆成了“定位原因—给出修复—解释原理”三个步骤比直接丢报错信息给AI得到的可用度要高得多。你是一位经验丰富的[编程语言]工程师。下面是最近出现的报错和我的核心代码片段。 报错信息 [粘贴报错] 代码 [粘贴代码] 请按以下顺序回答 1. 列出最可能的3个原因按概率从高到低排序 2. 给出修复后的完整代码用diff标注修改的部分 3. 用一段通俗的话解释为什么之前会出这个问题 4. 如果还有潜在隐患用列表说明。第三个是数据分析/信息提取模板。原理解释它擅长把杂乱信息整理成结构化表格适合做竞品调研、社群反馈整理、资料汇编。请仔细阅读下面的内容提取关键信息并用Markdown表格输出。 内容 [粘贴内容/对话记录/评论列表] 输出要求 - 每一行表示一个完整条目 - 列字段包括[编号/名称/关键描述/影响/建议] - 不要修改原文中的事实和数字 - 如果某个字段原文没有提到填“未提及” - 表格前先写一行“提取结果共[数字]条”第四个是学习/知识总结模板。原理解释它复用了费曼学习法的思路——先概括、再举例、再对比多源信息、最后查漏适合读论文、学课程、读读书笔记。你是一位擅长知识整理的助教。请帮我学习以下内容 材料 [粘贴内容] 请按以下结构输出 1. 用一句话解释这个知识点让完全不熟悉的读者也能看懂 2. 给我举一个生活化的例子 3. 如果材料中包含多个相似概念用对比表格区分 4. 列出最容易混淆的3个误区 5. 最后给3个用于自测的练习题不用给答案。第五个是决策分析模板。原理解释它强制模型区分事实、目标、选项和权衡标准而不是替你拍板。我需要做如下决策 背景[描述现状和约束条件] 目标[你想达到的目标] 备选方案方案A[描述]方案B[描述]方案C[描述] 请输出 1. 列出每个方案的优劣势对比表 2. 针对每个方案设想一个它可能失败的场景 3. 基于[你最看重的指标]给出推荐排序 4. 最后列出目前还缺少的、可能影响决策的信息。第六个是翻译/润色模板。原理解释它不只是翻译或润色而是保留了用户的风格偏好并让模型说明改了什么方便你二次确认。请把以下内容从[源语言]翻译成[目标语言]或润色成我要求的风格。 原文 [粘贴内容] 要求 - 不要逐字直译要按目标语言的表达习惯重写 - 保留原文的关键术语和数字 - 如果原文有明显错误不要擅自修改而是在回复末尾用列表指出 - 翻译风格[商务/学术/口语/文艺] 输出时先给结果再给一份“翻译/润色说明”说明你的关键处理点。这类模板的价值在于它们已经帮你想清楚了需要约束哪些维度你只需要填内容。但请记得模板只是起点不是终点。你在用的时候如果发现某个模板输出的问题一定要去改模板本身而不是每次都临时在输入框里追加各种指令。3.3 如何维护迭代模板库模板库的维护几乎决定了这个体系能不能长期为你创造价值。我的做法其实很朴实建一个包含名称、用途、版本、模板正文、使用记录、修改历史这几个字段的表格文件每次用完以后顺手记录一条使用反馈。这个过程只需要两分钟但积累三个月后你会得到一份带“实战测试数据”的私有知识库。记录使用反馈的时候我建议抓三个核心指标输出过一次通过率、平均需要迭代几次才满意、常见的失分点在哪。比如你发现“内容写作模板”生成的版本经常被人吐槽“没有信息增量”那问题就大概率出在“核心观点”变量没写清。这时候你就该在模板里补一句“核心观点必须是原文中没有提到的新视角不能是常识”。另外不要贪多求全。我见过那种整理了上百个模板的工具党最后真正在用的就那么几个。模板库的价值不在数量而在准确性。与其攥着五十个残缺的模板不如把最常用的十个打磨到“一用就出活”。4. 常见问题与排查技巧实录4.1 模型答非所问、像在“自由发挥”怎么办答非所问很多时候不是模型笨而是你的任务描述里没有提供足够的锚点。排查的时候先看提示词里有没有包含明确的任务动词。比如“分析一下”就很抽象换成“列出三个潜在风险和对应的证据”就清晰很多。再看你有没有给格式约束如果格式要求是“用表格对比”模型基本上不可能跑题。还有一个高频原因是“信息过载”。当你一次性把一堆背景资料抛给AI然后问一个具体问题时模型很容易被无关信息干扰。我处理这种问题的通用办法是把背景信息压缩成三句话以内的清单并明确“回答问题只需要用以下信息”。这等于给模型画了一条窄路它就不会自己去找岔路。4.2 输出的长度和颗粒度总是不符合预期“帮我写一段关于产品功能的描述不要太长。”这种指令在很多模型看来什么叫“不要太长”其实是什么也没说。长度控制要具体到字数和结构比如“整体不超过200字”“第一段不超过50字”“列出3条要点而不是5条”。如果你要的是颗粒度更细的信息就用“用数据支撑”“每条补充一个使用场景的细节”这类指令。我试过一个非常实用的兜底招数先让模型按默认长度输出然后再发一条“把上一版内容压缩成150字的核心版保留关键数据和结论”。两轮之后输出的质量通常比一次生成的更好因为压缩的过程本身就是一次提炼。4.3 结果太“AI味”太重一眼就被看出来所谓AI味通常体现在用力过猛的连接词、对称结构、空泛的总结句比如“总而言之”“不难发现”“赋能”“高效协同”之类的词汇。想消除这种味道靠“不要有AI味”这种模糊指令效果有限建议从两个方向下手。第一使用负面约束清单具体到词或句式“禁止使用‘总而言之’‘不仅…而且…’‘值得一提的是’禁止在文章开头使用背景铺排句每个段落的第一句必须直接给结论。”第二给模型一个风格样板让它模仿那种说人话的语感。这也是我最常用的一招从平时喜欢的文章里摘一小段贴在提示词里告诉模型“按这个语感改写”。4.4 模板不生效、效果忽好忽坏的原因如果你是照抄了我的模板但发现效果不稳定先不要怀疑模板先检查变量替换的时候是不是顺手把固定的约束条件也删了。很多人会把模板里的“禁止”部分看成废话替换变量的时候一删就算完成了结果模型立刻放飞自我。另外同一个模板在不同模型上的表现差异也很明显。有些模型指令遵循能力强复杂的模板也能执行有些模型则更适合短平快、结构简单的提示词。如果你换了一个模型发现之前好用的模板表现变差不用强行改造模型直接简化模板就好比如减少角色描述的长度把格式约束放到最后一句变量控制在两个以内。4.5 不要忘掉安全与合规的边界最后必须说一条红线提示词工程可以帮你更快生成内容但它不应该被用来绕过平台的合规机制也不应该用于生成虚假信息、侵权内容或者恶意内容。我见过有人试图通过所谓“越狱提示词”让模型输出有害内容这种做法既不符合技术伦理也会让你自己承担风险。在做提示词工程的时候我会刻意加入一些价值判断“如果某问题涉及事实不确定请标注‘存疑’如果某请求可能涉及隐私或违规行为请直接拒绝并说明原因。”这种设定不仅是底线有时候反而能帮你避免把不靠谱的信息直接发给客户或领导。提示词工程的核心是提高效率和质量而不是钻空子。守住这条边界你才能长期放心地用它。最后再分享一个我这些年用下来的核心体会提示词工程真正锻炼的不是“跟AI说话”的能力而是“把事情想清楚”的能力。每一次你把需求写得更结构化、更具体、更有边界本质上都是你对任务本身的一次重新理解。所以不用追求一次写一个满分提示词多写多改慢慢你会发现自己追问问题的水平也在提升。把那些成功和失败的提示词都攒下来三个月后回头看就是最好的进步日记。
