做了几年 AI 应用相关项目我最大的感触是很多人把提示词工程想得太玄了。网上各种“高级提示词技巧”满天飞但真到自己动手写的时候多半还是凭感觉想到哪写到哪。这确实是个问题——同一个模型同一个任务一段精心打磨的提示词和一段随手写的提示词输出质量能差出一大截。我见过太多人一边抱怨“模型不聪明”一边用一句话就把需求丢给模型然后对着离谱的结果干瞪眼。这篇东西整理了我平时真实在用的 10 个提示词技巧基本都属于即拿即用的类型不需要什么理论基础看完就能往自己的项目里套。与此同时我把它们沉淀成了一组模板放在后面单独开了一章按场景分好类你直接复制改改就能用。不管你是做内容、写代码、做分析还是搞学习辅助这几板斧下去大概率能让模型的输出从“能看”变成“能用”。1. 先弄明白提示词工程到底在解决什么问题说句实在话大部分人对提示词工程的误解在于觉得它是在“调教”某个有脾气、有性格的智能体。但实际上模型就是一个“按概率猜下一个词”的系统你给它的输入决定了它在什么范围内猜。提示词工程本质上是缩小模型的输出空间——把原本漫无边际的概率分布压到你真正想要的那一小块区域里让模型有更大几率沿着正确的方向生成内容。我用一个类比你就能理解假设你招了个没有行业经验的实习生你只说一句“把这份数据整理一下”他大概率会愣在原地或者交上来一份完全不是你想要的东西。但如果你告诉他“背景是什么、目的是什么、按什么格式整理、哪些字段必须保留、哪些信息可以删除、完成后先发给谁确认”他就能很快交出一份合格的结果。模型比真人实习生更“听话”但同时也更“死板”所以你的提示词越具体它的表现就越稳定。这也就是为什么我一直强调不要指望把模型当聊天对象要把模型当“一个能力很强但非常需要指令明确的执行者”。基于这个认知下面这 10 个技巧都是围绕同一个核心——如何在有限的需求描述里把任务边界、角色定位、输出格式、判断标准都尽量说清楚。2. 十个能立刻上手的实操技巧这一章是全文的主干我按“定角色→拆任务→给示例→管输出→查质量→做迭代”的逻辑排了序你按顺序看完基本就能建立一套自己的提示词写法。2.1 技巧1给模型一个“人设”而不是一堆要求角色设定算是最基础也最容易被忽略的一招。很多人写提示词直接上来就是“帮我写个方案”但如果你先给模型一个明确的角色身份它的输出会立刻朝着该领域的语感、结构和专业密度靠拢。我常用的模板是这样的你是一位拥有 10 年经验的互联网产品经理尤其擅长从用户场景出发做需求分析。请基于以下原始需求输出一份结构清晰的产品方案包含用户痛点、功能设计、落地路径三个部分。为什么有效因为模型训练数据里不同领域、不同职业角色的文本风格是有明显差异的。当你指定“产品经理”这个身份时模型会倾向于调用产品经理写作风格的分布规律而不是“万金油”的通用文风。实测下来同样的需求描述加了角色设定之后输出里的套话和正确的废话会显著减少行业术语和逻辑框架会更到位。这里的核心操作要点是角色越具体越好。不要只写“你是专家”要写“你是哪行哪业的、有多少年经验、擅长什么方向”。给模型的信息越立体它进入状态越快。2.2 技巧2把“大任务”拆成“小步骤”一次只做一件事模型在长文本生成任务里的表现有一个常见规律任务越单一、目标越聚焦输出质量越高。一旦你让它同时完成“分析数据、写报告、做PPT大纲、再润色语言”它往往每个环节都做得一般。正确做法是把大任务拆解成一连串小步骤一次只要求它完成一步。举个例子你想让模型帮你写一篇行业分析文章别直接说“帮我写一篇XX行业分析”。可以先让它“列出这篇分析文章的核心框架和大纲”确认大纲没问题之后再让它“根据大纲第一部分展开写重点补充市场规模和竞争格局”。如果第一步输出就有偏差你改起来成本极低如果让它一口气写完发现跑偏了你连从哪儿开始改都不知道。实际写提示词的时候我经常用“分步引导”的方式第一步请列出这篇内容的核心大纲包含3个主要章节每个章节下展开2-3个小点。第二步我会确认后再让你逐段展开。目前只需要完成第一步。这样还有个额外好处你的每一条提示词都在跟模型对齐认知不会让它在错误的方向上猛跑。2.3 技巧3用“思维链”让模型展示推理过程“思维链”这个概念听起来玄用起来其实很简单在提示词里明确要求模型把思考过程一步步写出来而不是直接给结论。这对逻辑推理类任务特别有效比如数学计算、逻辑判断、方案推演。我常用的一套指示是请一步一步思考先把你准备采用的分析框架列出来说明每一步的判断依据最后再给出结论。为什么要这样做因为模型在直接输出结论时它经常“跳步”——中间的关键推理环节被省略了容易产生逻辑断裂甚至错误。当你强迫它把过程写出来时它在每一步都会重新审视自己的前置条件错误率会明显下降而且你也能在它的思考过程里找到它出错的具体位置。实操中你会发现即使你只是加一句“请一步步推导给出详细过程”模型在数学题上的准确率也会有肉眼可见的提升。这里需要提醒的是要让它“展示推理过程”而不是“默念推理过程”。有些模型在内部进行推理后仍然直接输出结论那效果就打折扣了所以指令里要明确“把过程写下来”。2.4 技巧4给示例永远比给规则更有效这是我在实际项目里最强的感受之一模型对抽象的规则描述理解能力有限但对具体的示例几乎可以做到“看一眼就会”。这就是少样本提示的价值——不需要给模型讲一套复杂的格式规范直接给它一个输入和输出的对照样本它会自动模仿其中的格式、语气和结构。比如你想让模型把客户反馈分类别写“请根据情感倾向分为好评、中评、差评要求分类准确语气客观”你直接给它几个例子以下是几个分类示例 示例1反馈“快递很快包装也很完好” → 好评 示例2反馈“质量还行但客服回复太慢” → 中评 示例3反馈“收到的商品破损了很不满意” → 差评 请按照上面的风格对下面的反馈进行分类……模型会从示例中提取分类的细微标准而不是机械地套用你描述的规则。规则往往有歧义边界而示例能直接消除这种边界。这个技巧在不同模型上通用性都很高值得优先尝试。2.5 技巧5明确输出格式从源头杜绝“长篇大论”很多人抱怨模型输出“一写就一大段根本没法直接用”这个问题其实根源在提示词里没限制输出格式。模型默认会生成一个它认为最“完整”的响应而这个响应往往又长又全但并不符合你要的交付形态。所以在提示词里明确输出格式是性价比最高的一件事。具体来说你可以告诉模型用Markdown表格输出包含“问题类型、严重程度、建议方案”三列 全文控制在300字以内分4个短段落 只用列表形式回答每项不超过20个字 以JSON格式返回字段为name、age、score。我自己的习惯是在提示词末尾固定加一个“输出要求”小节集中写明格式。这样无论前面的任务描述多复杂模型的收尾输出都会整齐划一。实测下来明确指定格式之后后处理成本能降低一半以上——尤其是当你需要对接程序流程或者批量处理内容时格式控制就是刚需。2.6 技巧6用“正面引导”代替“负面禁止”这里有个非常容易踩的坑。很多人会在提示词里写“不要写废话”“不要使用过于官方的语气”“不要出现空洞的套话”但你越强调什么模型就越容易生成什么。别笑这在大模型里是真实存在的现象——因为模型是根据关键词去激活相关文本分布的你说“不要写废话”模型首先得理解“废话”是什么这反而可能把它的注意力引到“废话”这个方向上。更有效的方法是用“要做什么”代替“不要做什么”。比如把“不要写空洞的套话”改成“每句话都应该包含具体的数字、案例或前提”把“不要用官方语气”改成“用第一人称口语化的表达多用短句”把“不要跑题”改成“全文围绕XX主题每段第一句话先概括本段核心观点”这种正面引导的方式本质上是把模型引向你要的特征区域而不是让它回避一个模糊的禁区。如果你确实有绝对不能出现的内容可以放在提示词最后但我建议你在“负面禁止”的同时也给出“正面替代”两者结合效果最好。2.7 技巧7先问答再生成用“上下文铺垫”提升准确性很多时候你直接扔一个问题给模型它只知道问题本身不知道你问这个问题的背景。“上下文”越充分模型的回答越能贴合你的真实需求。所谓“上下文铺垫”就是在正式提问之前花几句话交代清楚背景。我经常这样做我在做一份面向园区管理方的智能化改造方案对方最关心的是投入成本和改造周期。下面请你帮我评估两个技术路线的优劣重点从成本、周期、维护三个维度对比结论里需要给出推荐。这段话里没有出现一个“要”字但模型的输出立刻就有了边界感和针对感。它知道你是写给谁看的、对方关心什么、需要在哪些维度展开、最终要有什么结论。这比直接问“A方案和B方案哪个好”强得多。实操心得上下文铺垫不是越长越好而是关键限定条件给得越准越好。两到三句话的铺垫足以改变输出质量超过五句话反而会稀释模型对你核心需求的注意力。2.8 技巧8让模型“自己挑错”并进行多轮修订模型的一次性输出往往达不到你心中“完美”的标准但通过多轮迭代修订可以无限逼近。关键是你要让模型自己扮演“审阅者”的角色而不是每轮都由你来指出问题。我经常用这条指令请以一位资深审稿人的身份重新审视你刚才的回答找出其中逻辑不严密、信息不完整、表达冗余的地方逐一列出后输出一个修改后的完整版本。这个技巧妙在模型在“审视”模式和“生成”模式下关注点是完全不同的。生成模式下它倾向于流利、完整地输出审视模式下它会调用批判性思维主动查找潜在问题。当你让它先审视再重写输出质量往往会有一次明显跃升。你可别小看这一步。我见过很多人跟模型对话第一轮不满意第二轮的提示词还跟第一轮一模一样只是加了句“重新写”。这其实做对了才怪——你需要让模型知道上一版到底哪里不满意。而让模型自查就是让它自己找出那些你可能没意识到的漏洞效率更高。2.9 技巧9善用参数调节配合提示词控制输出“温度”严格说这不算纯提示词技巧但它和提示词的效果是强绑定的。在使用 OpenAI 或 DeepSeek 这类 API 时模型有几个关键参数其中最重要的就是 temperature温度。temperature 低0-0.3输出更确定、更保守适合代码生成、数据分析、事实性回答temperature 中等0.4-0.7平衡创意和准确性适合大多数写作任务temperature 高0.8-1.5不同模型范围不同输出更多样、更有创意适合头脑风暴、创意文案如果你用的是网页版聊天工具虽然调不了参数但可以在提示词里用语言描述等效效果。比如请给出确定性最强的回答不要使用不确定的表述每个结论都要有数据支撑。这相当于在提示词层面把“温度”拉低。反过来如果你想激发创意请在方案里尽量提供反常识和新颖的思路可以适当突破常规。这也是在高频状态下有效地“提温”。我在实际项目中通常是“参数 提示词”双管齐下先设好 API 的 temperature再通过提示词约束风格。比如做批量标准化输出时temperature 设 0.1提示词里再强调格式和术语做创意策划时temperature 设到 0.8提示词里再刻意引导发散。2.10 技巧10多轮对话优于一次性生成把“终稿”交给迭代最后一个技巧也是最容易被忽视的别指望一次对话就能拿到终稿。高质量内容的产出方式是把一轮对话拆成多轮进行——先让模型输出第一版再根据具体问题逐项优化。迭代出来的一定好过直接生成的结果。我惯用的迭代方式有几类压缩把第一版回答压缩到原字数的 30%保留所有关键信息换语言风格把第一版改成更口语化/更专业/更适合初学者理解的版本换受众视角把第一版改成写给 CEO 看的版本再改成写给运营执行的版本强化某一分部内容已经没问题但你觉得第二部分展开不够单独拎出来重写每条指令都是基于上一版的“定向反馈”这样做比反复说“重新写”有效得多。因为模型能精准定位你的修改意图而不是凭空猜测你这回想要什么。多轮迭代看起来多了几次对话实际总时间其实更短——因为你不再需要从一大堆不合格的输出里挑挑拣拣。3. 通用模板库覆盖五个高频场景复制改改就能用这一章我整理了五个高频场景的模板全部基于上面 10 个技巧的组合应用。每个模板我都标注了它主要用了哪些技巧方便你举一反三。这些模板的直接可复制性很强拿过去改一下具体主题就能用。3.1 模板一结构化写作模板适合写公众号文章、行业分析、方案文档、博客长文等。核心逻辑是“先搭骨架再填血肉”。你是一位资深内容创作者擅长把复杂的专业内容转化为通俗易懂的深度文章。请你基于以下主题在这里输入文章主题按顺序完成以下三步第一步输出这篇文章的逻辑大纲包含一个吸引人的开头切入点、三个核心主体章节、一个总结收尾第二步针对你输出的每个章节分别用300字左右的篇幅展开论述要求每个章节都要有小标题、具体案例、数据或可操作的结论第三步写一个200字以内的执行摘要适合作为社交媒体发布配文。输出要求语言保持中立客观少用形容词堆砌多用动词和具体描述全程用中文输出。这个模板的要点在于“三步分步走”和“具体化要求”。你可以只让它做第一步确认大纲后再执行第二步不要一次性让模型把三步全跑完否则二、三部质量会打折扣——这其实就是技巧2的实际应用。3.2 模板二商业分析与决策辅助模板适合做竞品分析、行业趋势判断、方案选型、商业计划书等场景。这个模板我把“角色设定”和“分析框架”绑在了一起让模型直接进入“咨询顾问”模式。你是一位拥有20年经验的战略咨询顾问曾经主导过多个行业的市场进入和转型项目。我现在正在研究以下问题在这里描述你要分析的商业问题。请从以下几个角度展开分析核心矛盾这个问题的根本驱动因素有哪些哪个是最关键的数据支撑针对每个驱动因素给出你建议关注的具体指标和数据来源行业对标同类企业在处理类似问题时的常用策略和效果风险提示这个决策路径中最容易踩的坑是什么决策建议结论要明确有力不能模棱两可如果信息不足请说明还需要补什么数据。输出要求先用一段话概括结论再展开分析细节最后附一个“如果信息不足还需要补充什么”清单。我用了“先结论后分析”的输出结构因为做商业决策的人没耐心看长篇推导但推导过程又不能缺。让模型先给结论再展示过程能同时满足“快速读懂”和“逻辑可信”两个需求。3.3 模板三代码开发与调试模板这个模板主要面向使用 AI 辅助编程的开发者。很多人写代码提示词只扔一句“帮我写个函数”但我建议把上下文、技术栈、输入输出、异常处理全部说清楚。你是一位资深后端工程师精通 Python 和 FastAPI。请根据以下需求写出完整可运行的代码。需求描述在这里输入具体功能需求 技术约束在这里输入使用的语言、框架、版本、第三方库 输入格式说明输入的数据结构或字段 输出要求说明函数返回的数据结构额外要求代码必须包含完整的异常处理逻辑关键逻辑处增加中文注释如果需求存在歧义先列出你的假设再写代码写完代码后用一段话说明你为什么选择这种实现方式以及潜在的性能瓶颈。这里最重要的技巧是“先让模型列出假设”。很多代码生成问题第一次出错就是因为模型的假设和你的实际环境对不上。让它先列假设你扫一眼就能发现哪里有偏差及时纠正。还有一个调试模板当代码报错时用我遇到了以下报错请帮我定位原因 报错信息粘贴报错堆栈 相关代码粘贴关键代码片段 我已经尝试过说明你做了哪些尝试 请先解释这个报错的根本原因再给出修复后的完整代码最后告诉我应该如何避免同类问题。3.4 模板四学习辅导与知识讲解模板这个模板适合让学生、新手通过 AI 理解复杂概念。核心思路是“多层级解释 逐步深入”——让模型用最简单的语言讲明白一个概念再逐渐加深。你是一位非常善于用类比讲清复杂概念的老师。请向我解释以下概念在这里输入你想搞懂的概念。请按以下方式讲解先用一句话概括这个概念的核心本质再用一个日常生活中的类比做通俗解释类比要贴切、不能牵强给出一个具体的实际应用例子展示这个概念在真实场景里是怎么起作用的最后如果我想进一步深入理解需要先掌握哪些前置知识。输出要求语言尽量简单避免在第一步和第二步使用任何专业术语。如果必须使用专业术语请同步解释。这个模板很实用但有个小坑模型在类比时可能生搬硬套类比本身反而造成误解。所以你可以在模板里加一句“如果类比会引入误导请改用具体案例来解释”。同样的内容多轮追问效果更好你可以让模型“再用更简单的话讲一遍”直到你真正理解。3.5 模板五加工改写与风格迁移模板这个模板适合已有初稿需要换风格、改语气、压缩篇幅或者重定向受众的场景。如果你做内容运营会经常碰到“一篇内容多平台分发”的需求这个模板就是为此设计的。你是一位资深文字编辑擅长风格迁移和内容压缩。以下是原始文本在这里粘贴原始内容请将上面的内容改写成以下风格目标风格如口语化播客脚本、专业报告、小红书种草文、幽默风格等改写要求保留所有关键事实、数据和结论不得删减核心信息逻辑结构根据目标风格重新编排不是逐句翻译如果原始文本中有冗余信息可以合理舍弃如果有必要可以在保持原意的前提下补充过渡语句输出字数控制在具体字数以内。改写完成后请列一个清单标明你做了哪些关键修改及修改原因。这个模板最有价值的其实是最后一句——“列出你做过的关键修改及修改原因”。这样你就能理解模型的改写逻辑如果某处修改你不满意可以直接指出“第2条修改请保留原文说法”让模型精准调整。4. 实测排错我在实际使用中踩过的坑技巧和模板都给完了但我知道你们在实际用的时候还是会遇到一些模型“不听话”的时刻。这非常正常。这一章我把踩过的几个高频坑列出来包括现象、原因和解决办法。4.1 模型一本正经地胡说八道怎么办这是 AI 内容最让人头疼的问题尤其在涉及数据、引用、事实性论证时。根本原因是模型在生成时优先追求“流畅连贯”而不是“事实正确”。我的应对策略有三层第一层提示词里明确要求“如果你不确定具体数据请说明这一点不要自行编造”第二层要求模型标注信息来源同时明确提示“如果无法列出权威来源请直接说明”第三层也是最重要的涉关键事实的生成内容你必须人工审核一遍关键数据。模型可以作为初稿工具但不能作为事实来源。更狡猾的一个问题是模型自己“脑补”出一些听起来很真实的数据。比如你问“市场规模是多少”它可能给出一个精确到小数点后两位的数字——别信。给它加一条约束就能大幅降低这种风险“只使用广泛公认的数据无法确定时在答案开头标注‘此数据存疑需要人工核实’。”实测下来这个约束比什么提示都管用。4.2 角色设定失灵模型开始冒出“AI味”有时候你明明给它设定了一个犀利毒舌的文案人设结果聊了几轮它又开始用“首先、其次、总之”的架构做四平八稳的总结了。这通常是因为你在后续对话中使用的词句太过正式模型被“带跑偏”了。解决办法角色设定不是写一次就完事。 每次提问时我建议你都带上角色设定的精简版比如“你现在还是一个毒舌文案记住你的任务是用最狠的话点出产品痛点”这相当于给模型做了一次“角色唤醒”。另外角色失灵的另一个原因是你的角色设定内部有矛盾。比如你设定“你是一个说话很直接的专家”同时又要求“回答要温和友好、避免冲突”模型就会在这两个目标之间摇摆最后输出一个模板化的四不像。所以角色设定的目标必须单一且自洽。4.3 负面提示写太多反而把模型带沟里前面技巧6已经讲过原理这里是实战层面的一个补充案例。我有一次想让模型写“不浮夸、不夸大”的产品文案提示词里连写了三个“不要”不要浮夸、不要夸大、不要假大空。结果输出的文案里全都是“本产品并不浮夸”“它没有夸大效果”——简直是灾难。从那以后我给自己定了一条规矩写负面提示之前先想一个正面代替方案。如果实在想不出来替代描述那宁可不写这个负面约束也不要硬加上去。把注意力放在“你要什么”而非“你不要什么”上输出的稳定性能提升非常多。4.4 上下文长了以后模型把前面的要求全忘了对话超过一定轮数后模型会“遗忘”对话开头设定的角色和规则开始胡言乱语或用通用语气。这是上下文窗口的固有限制也是很多人说“聊着聊着就不对劲了”的原因。解决思路有两条第一条把关键约束放在每次提问的结尾。比如核心规则是“无论何时都要用表格输出”那就别只在一开始说每次提问都带上“这次也请用表格输出”。第二条设计“分段独立任务”。把一个长项目拆成多个短对话每次对话都重新写清楚任务背景和输出要求而不是在同一个对话里无限延续。我推荐优先使用第二个方案因为长对话不仅容易遗忘还会因为累积历史内容而增加“惯性”导致新指令执行不彻底。短对话、多频次、每次都是新需求是更可控的用法。4.5 怎么在几秒钟内判断一段AI输出值不值得用最后分享一个我自己的快速判断法拿到模型的输出后先只看第一段和每个小标题问自己三个问题——它知道我在问什么吗它有没有针对我的具体场景展开它有没有说出我在提示词里特别提到的关键词或维度如果三个问题里有任何一个是否定的那这段输出基本不值得继续读下去直接进入迭代环节。如果三个都是肯定的再细看正文信息密度高不高、有没有数据支撑、逻辑链条有没有断裂。这套判断流程帮我节省了大量时间因为大多数不合格的输出在头两段就暴露了问题根本不需要全部读完。还有一个相关心得不要对着垃圾输出反复修补。如果第一版跑偏了方向修补到第三版往往还是带着第一版的“病根”不如直接重开一轮重新写一遍更精准的提示词。你把对第一版的失望翻译成“哪里不对、我要什么”下一轮生成的起点就会高很多。5. 把零散技巧沉淀成属于你自己的模板库这一章我想跟你聊聊更长期的事。你从前面拿到了 10 个技巧和 5 组模板但如果你只是停留在“复制粘贴”这一步那过不了多久你还是会忘因为模板本身没有长在你自己身上。我在实际工作中的习惯是每完成一个高质量的项目都会把最终打磨好的提示词沉淀到自己的模板库里同时写上这个提示词适用于什么场景、为什么这样写、哪个部分是迭代后加上的。等下一次遇到类似任务我直接调出来改两三个关键词就能用而不是从零开始琢磨。沉淀模板库的时候我会给每条模板打几个标签任务类型写作/分析/代码/翻译、目标平台、风格倾向、适用的模型。因为有些提示词技巧在特定模型上效果更好比如某些模型对角色设定更敏感某些模型则对示例更敏感。有了标签下次选型就快了。另外模板库不是一成不变的。模型版本在升级你的需求也在变化定期拿旧模板跑一下新模型经常会有惊喜——原本需要很长提示词才能约束住的内容新模型可能一两句话就够了。相反原本好用的模板在新模型上也可能失效这时候别硬扛及时调整。我在沉淀模板时还会做一件事把“成功案例”和“失败案例”放在一起看。失败案例的价值在于它记录了你踩过的坑——哪类提示词写法会让模型跑偏哪类约束写了等于没写。这些反面经验才是你后续写提示词时真正要回避的。单纯照着成功模板抄你学到的只是“怎么做”对照失败案例反思你才懂“为什么这样做”。6. 收个尾聊聊我自己的体会写了这么多最后说点比较个人的东西。我做提示词工程这几年最大的体会是它不是一个需要背很多口诀的学科而是一种“把需求想清楚”的能力。你写的提示词越准确说明你对自己要什么东西想得越明白。模型只是把你的思维清晰度原原本本反映出来罢了。刚开始练的时候你会觉得“我写提示词的时间都快赶上自己直接干了”这很正常。但这个投入是完全值得的因为提示词可以复用于相似的场景和项目而你的时间投入是一次性的。它更像是给自己建了一个可迭代的“工作台”——越用越顺手越沉淀越强大。另外多留个心眼。提示词工程里没有银弹没有任何一个模板能适配所有模型、所有任务。我的习惯是同一个需求至少写 2-3 版不同的提示词切换着跑一遍对比效果。别嫌麻烦你很快会发现不同版本之间差出一整个档次而你要做的只是让模型在正确的轨道上发力而已。模板只是你的起点迭代才是你的日常。