这两天我把手上这一百多条AI提示词重新过了一遍按领域分类、删掉重复、修补了一批失效的模板最终整理成一套可以拿来即用的指令集。整理过程比想象中琐碎因为提示词这东西非常“娇气”——同一条指令换个模型、换个语序效果可能天差地别。但一旦调对产出质量的提升是肉眼可见的。这篇就把这套集文案创作、学术论文、营销推广、教育学习、数据分析等多个领域于一体的提示词合集拆开讲讲它怎么设计、实际怎么用以及我在Kimi、豆包、ChatGPT这类主流大模型上反复测试后的真实经验。如果你刚接触AI辅助工作这套指令集能帮你跳过大段试错如果你已经在用提示词看这篇的重点可以放在第3、4部分——模型适配和问题排查这些才是真正影响效率的地方。1. 为什么需要一套“结构化”的AI指令集1.1 会提问与会指挥是两码事先还原一个场景。你直接在对话框里输入“帮我写一段咖啡店开业宣传文案”模型大概率会给你一段中规中矩、但毫无记忆点的文字甚至可能包含“美味醇香”“环境优雅”这类放之四海而皆准的套话。问题不在于模型能力不够而在于你给的信息量太少。同样一件事情换成这样的指令“你是一名品牌策划师现在要为一间主打日式手冲风格的社区咖啡店撰写开业宣传文案目标受众是25-35岁、注重生活品质的上班族文案需要突出‘手冲’‘社区店’‘安静办公’三个差异化点正文控制在150字以内结尾加一句引导到店的话术。”结果完全不一样。这段话里包含了角色、受众、卖点、字数、风格、行动指令六层信息。这就是结构化提示词的价值大模型本质上是一个“顺着你的话往下接”的生成器你给的信息边界越清楚它越不会自由发挥到沟里去。很多用户觉得AI“笨”其实大多数时候是提示词太省模型只能靠猜。会提问和会指挥是两码事而一套成体系的指令集就是把“指挥方法论”沉淀下来让你不用每次都从零开始想怎么说。1.2 100多条指令不是堆数量而是分层设计这套合集能做到“跨领域通用”靠的不是把几百条孤立模板塞进一个文档而是采用了金字塔式的分层结构。最底层是一批通用规则比如“先确认需求再输出”“分步骤执行”“给出两个不同风格版本”“说明你的推断依据”中间层是领域通用框架比如文案里的AIDA模型、学术写作里的I-M-R-D结构顶层才是具体到场景的完整模板比如“写一条公众号推文标题”“给一份销售数据写结论摘要”。分层的好处有两个。第一遇到合集里没有覆盖的场景时你可以用底层规则加中间层框架现场拼出一条新指令而不是干瞪眼。第二不同模型对指令的敏感点不同分层结构方便你在换模型时只替换“适配层”不用推翻整个模板库。整理时我专门为Kimi、豆包、ChatGPT各留了一列“适配备注”后面第3部分细说。层级作用举例通用规则层约束模型行为方式先分析需求、主动提问、输出可复制的表格领域框架层提供专业方法论文案用AIDA、论文用IMRaD、营销用漏斗模型场景模板层即拿即用的完整指令“写5条小红书标题”完整提示词模型适配层按产品特性微调长文本场景交给Kimi、界面功能场景交给豆包这套结构也是我给自己的要求指令集必须是一个能自我生长的工具而不是一本死记硬背的“话术书”。2. 六大核心领域提示词拆解2.1 文案创作让模型从“写句子”升级为“做策略”文案类指令是合集里数量最多的也是最容易出效果的。因为文案的核心不是“文字漂亮”而是“策略准确”。一条好的文案指令至少要交代清楚四个要素受众画像、核心卖点、内容场景、行动目标。比如给产品写卖点我常用的通用模板长这样——先要求模型把产品功能转译为用户利益再要求按“痛点场景-解决方案-结果证据”三段式组织最后还要区分“理性卖点”和“情感卖点”各写一版。实操中我发现直接说“写卖点”模型容易陈列参数加上“用户利益转译”这一句后输出立刻变得像人话了。比如“5000毫安电池”会被转译成“两天一充出差不用带充电宝”这比参数堆砌有用得多。标题创作同理我用过一个批量标题指令给定同一个主题要求模型按照“数字悬念型”“利益直给型”“故事冲突型”“观点对立型”四种风格各写两条标题并说明每条标题针对什么心理。这个指令的价值在于它逼着模型做横向对比你拿到手的不是一句碰运气的话而是一小组可选择方案。实测在多个模型上这样产出的标题平均打开率明显高于直接提问的结果。文案方向还有几个高频模板值得记改写润色附带语气要求如“更口语化”“更克制”、多平台适配同一内容改写成公众号、小红书、朋友圈三种调性、以及“反套话审查”——专门让模型找出并删掉“匠心打造”“极致体验”这类没有信息量的词。最后这个模板我几乎在每篇商业文案里都会用一遍。2.2 学术论文把AI当研究助理而不是代写枪手学术场景的提示词边界感比技术细节更重要。AI可以承担的工作包括帮你在写作前梳理大纲、把一段复杂表述改得更简洁清晰、对论点提出反向质疑、根据笔记生成文献综述的第一稿框架。但它不能替你查资料、编数据、伪造参考文献——这既是学术伦理问题也是事实准确性的大坑。我在合集里给学术类提示词设了一条铁律所有事实性输出必须标注“来源假设”四个字。什么意思比如让模型总结某篇论文的研究结论指令中会明确要求“如果文中引用了具体数据或案例请标出【此处数据需核对原文献】不要自行补充。”这个约束不复杂却能有效减少模型一本正经地编造引用。很多学生用户反馈“AI生成的参考文献是假的”本质上就是缺少这条指令约束。学术写作里最实用的一组模板是“结构生成器”。给它一个研究课题它会按“引言-文献综述-方法-结果-讨论-结论”输出详细写作大纲并为每个部分配上写作提示比如“这里需要交代研究背景与前人工作之间的gap”。还有一套“缩减与精炼”指令用于把啰嗦的初稿改写成符合学术风格的段落要求包括“删除冗余连接词”“避免口语表达”“保持被动语态或主动语态的全文一致”。这套指令在修改论文摘要时效果特别好。我也保留了一组“批判性质疑”模板让模型对论文初稿的论证逻辑提出问题比如“哪个论据最薄弱”“哪段结论超出数据支持范围”。第一次用的时候我发现它指出来的问题甚至比一些审稿意见还要细——当然前提是你给了它完整的上下文。学术写作切记一个原则模型是你的思考伙伴展示的是一面镜子不是决策者。2.3 营销推广从单条文案到整条转化链路营销推广类指令与其他领域的最大区别在于它必须关注“转化”而不仅仅是“表达”。我在整理营销模板时特意按用户旅程分了组引流内容、建立信任、促成行动、售后服务与复购。每一组模板背后都对应一个营销模型而不只是“写一句广告语”。先说引流阶段。合集里有个高使用频率的模板叫“痛点地图”给模型一个产品品类和人群让它列出该人群在相关场景下最常遇到的5个痛点并针对每个痛点写一句吸引点击的标题。这个模板的价值不是标题本身而是“痛点地图”这个中间产物——你拿到了分析的骨架模型的后续输出都会稳稳长在真实需求上。转化阶段的几个模板更讲究。比如促销文案一条有效指令要求模型分步骤写先用一句话制造紧迫感再列出三个核心利益点每点附带证据数据、评价或政策最后给出清晰的行动指令。这和直接问“帮我写一个满减活动文案”完全不是一回事——区别在于模型会在指令约束下执行完整的说服逻辑。还有一类实用模板是“渠道改写”。营销团队经常需要一条素材多平台分发但公众号、抖音、朋友圈、EDM邮件的语气和长度完全不同。我用了一个分段指令先让模型提炼原始素材的核心信息再分平台按各自的“字数上限语气标签内容结构”输出。实测这套流程在跨模型环境下都很稳定因为它把“提信息”和“再表达”拆成了两步避免模型在改写时丢失关键卖点。2.4 教育学习构建讲解、练习、反馈的闭环教育学习领域的核心需求不是“生成内容”而是“搭建学习循环”。背单词和练口语、读论文和学编程底层都是同一个过程理解新知识、通过练习巩固、获得反馈纠偏。提示词能做到的是把这三环节中的部分环节自动化。讲解环节我推荐一个“分层教学”模板同样一个概念分别用“给小学生听”“给大学生听”“给该领域从业者听”三种方式讲解。三个版本一对比模型被迫自动调整概念粒度、类比方式和术语密度。我给好几个朋友推荐过这个模板他们的反馈出奇一致原来以为自己懂了的概念被模型换个深度一讲才发现根本没透——这种“暴露盲区”的效果比直接背答案有价值得多。练习环节最实用的是“错题生成器”。给它一个学过的知识点让它出一组由易到难的练习题并附上答案和解析。关键指令要求是“题目需要覆盖概念理解、应用迁移和常见易错点三个维度”否则模型容易只出重复类型的题目。口语和写作练习也有对应模板核心思路是让模型模拟对话或批改而不是替用户完成内容。反馈环节我踩过几次坑后总结出一个经验直接让模型“评价这篇文章”只能得到空泛表扬必须限定评价维度和标准。现在我的模板会指定维度比如“逻辑连贯性、事实准确性、表达冗余度”分别打分并至少给出三条可执行的修改建议。教育类提示词的精髓就是这句话——不给评价标准AI只会做你的啦啦队给了标准它才能做你的教练。2.5 数据分析让模型做翻译官和推理辅助数据分析方向的提示词很多人以为必须会写代码才能用其实不然。模型在这块最擅长的是两件事把指标用大白话讲清楚以及在给定数据背景下做结构化归因分析。前提是你要用提示词把“数据上下文”喂给它。最简单的用法是“数据翻译”把一段报表文字或一张表格内容粘进去指令要求“用不超过三句话解释哪些数据出现异常并推测可能原因标注哪些猜测需要更多数据验证”。注意最后半句——这是我在无数轮测试后才加上的。因为模型没有真实业务上下文它的归因推测必然有猜测成分明确要求它标注“待验证”能极大降低误导风险。实际用下来这个模板帮一个电商团队快速定位过两次活动数据异常省掉了原本手动透视表格的几小时。如果你会写一点代码数据分析类提示词可以更进一步。合集中有一组“SQL/Python生成器”你把数据表结构描述给它它能生成对应的查询语句。“生成Python代码读取Excel文件计算每月复购率并输出按产品线分组的变化趋势”这类需求模型基本能一次跑通。但注意代码能生成不代表能正确必须保留“审查”环节。我在配套提示词里专门加了一条执行前要求模型解释每段代码的作用以及输出结果的业务含义。还有一个被低估的模板是“指标因果链拆解”。模型先根据一个核心业务指标比如销售额列出影响它的直接关联指标流量、转化率、客单价再逐层往下拆生成一张指标树。这张树状结构看起来是文字但拿去做分析框架比直接用AI跑数据更有用——因为它帮你理解了该看什么数据而不是只给结论。数据分析提示词的定位应该是“放大器”你的判断是主体AI帮你放大处理能力和表达能力。3. 实操把指令集用出效果3.1 先记住这个万能公式角色任务上下文要求形式第2部分给了大量领域模板但不可能所有场景都覆盖到。我把自己实际测试下来最稳定的提示词结构归纳成一个五要素公式角色、任务、上下文、要求、形式。任何场景这五个要素挨个补齐提示词质量就不会差。角色决定语气和信息层级比如“你是资深数据分析师”和“你是给业务主管讲解的分析师”输出的细致度完全不同任务要具体动词避免“帮忙看看”这种模糊表达上下文是模型发挥的地基能粘背景资料、数据或例子要求是约束条件包括字数、格式、风格、禁忌形式则规定产出结构比如“输出表格三列分别是问题、原因、建议”。组合起来的效果我用一个真实例子对比给你看。弱提示词是“帮我分析一下这个月销量下降的原因”强提示词是“你是一名电商运营分析师请根据以下数据表格粘贴分析本月销量下降的原因。要求先区分外部因素和内部因素每个因素给出可验证的假设最后用表格输出并列出还需要哪些数据来验证假设。”后者直接拿到就能用前者还得来回追问两三轮。这五要素在合集里被做成了“提示词填空模板”面向新手时可以直接往括号里填词。3.2 不同大模型的适配差异Kimi、豆包、ChatGPT的脾性不同同一套指令在Kimi、豆包、ChatGPT上跑出来的效果有差别。不是谁好谁差的问题而是各家的训练方向和产品定位不同提示词策略要有侧重。我整理了一套适配建议这也是指令集里最有价值的部分之一。Kimi目前的强项是长文本处理上下文窗口非常大。我在它上面跑学术论文大纲、长篇报告改写这类任务时放心地把全文粘贴进去。它的长文档理解能力意味着你可以用“先读全文再回答”的指令让它输出带全文依据的回答。适配Kimi时我会刻意把“背景信息”放在前面并明确说“下面是要处理的完整内容”让它充分利用长窗口优势。豆包给我的印象是日常场景和中文口语化表达更自然回复节奏轻快对于营销文案、社交媒体内容、生活服务类问题表现很灵活。但它在“坚持严格格式”上需要多敲打。同样的要求“必须用Markdown表格输出”豆包偶尔会自行改成列表。因此针对豆包我会在产品指令后加一句“严格按照要求的格式输出不要改变结构”并在要求中把表格列名写死。ChatGPT系列整体推理连贯性好尤其在多步骤任务上比如“先归纳再分析最后给建议”这种复合指令它执行得最稳定。它也更能接住“反向要求”——比如“先告诉我你的思考过程再给出答案”。但国内直连访问不稳定考虑到实际可达性合集里的指令设计初期就刻意做了“模型无关化”不依赖任何一家独有的功能只依赖基础对话能力。这样无论你最终用哪个产品模板都不会失效只是需要微调语气或格式约束。3.3 从“能用”到“好用”两轮迭代法拿到一条提示词输出效果不理想时大多数人会选择重写整个提示词这是性价比最低的做法。我的经验是先改约束再改内容保持主体结构不动。第一轮迭代只加“硬约束”。比如字数不对就加“正文严格控制在150字以内每段不超过3句”风格不对就加“禁用‘极致’‘匠心’等空泛形容词”结构不对就加“第一段给结论第二段列理由第三段给行动建议”。硬约束是模型最容易执行的指令加上去效果立竿见影。如果加完硬约束还不行再进入第二轮补充示例。此时在提示词末尾加一句“仿照以下示例的风格输出”然后给出一段你觉得理想的小样。模型模仿示例风格的能力很强这一步能解决八成“感觉不对但说不出来哪里不对”的问题。两轮迭代都做完仍不行才考虑换模型或换任务拆解方式。我这套指令集里每个模板都带了一列“迭代记录”记录这个模板经过了几轮修改、改了什么——这个习惯强烈建议你们复制它能帮你建立起自己的提示词经验库。4. 常见问题与排查技巧实录4.1 输出太泛、像正确的废话这是被吐槽最多的问题也是最好解决的。本质原因是提示词里缺少“分析步骤”和“信息增量要求”。排查时先问自己我在指令里有没有让模型先拆解再输出有没有要求它使用具体案例、数据或对比对症下药的两条指令分别是“先列出你的分析框架再逐项填充内容”和“每个论点必须配一个具体例子”。前者逼模型展示思考路径后者直接消灭正确的废话。我在文案类模板中还会加一条“删掉任何换到另一个产品上也成立的句子”——这一条治“套话病”效果极佳。4.2 模型不听话总是不按要求的格式输出格式失守是高频故障尤其是在输出表格、JSON结构或固定字段时。深层次原因是当任务内容复杂时模型的注意力会被内容吸引忽略了格式要求。解决办法不是重复强调“请按格式”而是把格式要求“前置后置”各放一遍在任务描述末尾写一次“输出格式……”在最末尾再写一次“务必确保输出符合上述格式”。如果一个任务需要持续保持格式我建议直接拆成两步。第一步让模型先输出纯内容尽量简单第二步把内容丢给它要求“把以上内容转换成如下格式的表格”。拆步以后格式错误率骤降因为模型每步只做一件事顾此失彼的概率小很多。4.3 学术场景模型一本正经地编数据只要涉及事实性数据就可能出现编造。我用的是一个组合方案首先在提示词里写明“只能基于输入内容作答不知道就说不确定”其次在输出的末尾强制添加一句“本文档中的哪些数据来自输入内容、哪些为推测”最后在关键事实处人为抽查验证。这套组合下来错误率能压到可接受水平。核心认知要摆正大模型不是数据库它不会“查出来”答案只会“生成”答案所以核实责任永远在你自己。4.4 数据分析代码能跑但结果不对数据分析场景最常见的坑是模型生成的代码没有语法错误跑出来的结果却是错的。原因通常是数据格式细节被忽略比如字段类型、缺失值、日期格式。排查方向是给模型补齐“数据结构信息”把列名、类型、采样行都描述清楚。我在代码类提示词的末尾固定加一句“注意执行前检查字段类型和缺失值代码中需要包含数据处理步骤”这句提示能让模型生成的代码健壮一大截。4.5 避坑速查表现象根因对策输出像百度百科没限定视角和受众加上角色和读者画像长篇任务只完成一半任务过载拆成多个子任务逐步执行同样的问题答案次次不同模型生成随机性增加示例和硬约束绑定输出结构中文回答夹杂英文未指定语言明确“全部使用简体中文回答”让改的没改其他全变了没有限定修改范围明确“只修改XXX其他内容保持不动”提了问题不被理会问题淹没在长指令中把问题单独放在指令最前或最后这六个问题覆盖了我在整理指令集过程中遇到的大多数故障。排查的逻辑其实一条模型的每一次“不听话”几乎都能追回提示词某个要素的缺失或含糊。先修提示词别急着怪模型。最后分享一个我个人一直坚持的小习惯不要只存指令要存“指令输出样例迭代记录”。因为真正让你变强的不是某条咒语式的提示词而是那条提示词背后的判断力——你知道它为什么有效、在什么场景可能失效、失效了如何修补。这套100多条指令的合集与其说是生产力工具不如说是一个提示词思维的训练样本库。把它用熟你会发现自己不依赖任何现成模板也能临场写出高质量的指令。
