提示词工程被传得越来越玄有人把它当成放大效果的魔法棒有人干脆说它是玄学。我做了很长一段时间的AI应用落地和内部培训在大量项目里反复试过之后可以负责任地说一句提示词工程既不魔法也不玄学它本质上是一套关于“怎么把需求描述清楚、怎么组织上下文、怎么约束输出”的信息编排手艺。这篇文章我想把实战里反复验证有效的10个技巧以及一套可以直接复用的模板库分享出来。它不一定能让你一步封神但能让你在主流大模型上立刻看到输出质量的提升而且是那种肉眼可见的提升。1. 先说清楚提示词工程到底在做什么1.1 模型不是搜索引擎它是个“超强实习生”很多人对提示词有误解觉得它是“搜索关键词的高级版”以为换个说法就能搜到更准确的答案。这个理解会限制你的使用方式。大模型的本质是一个基于上下文的概率生成器它没有“搜索数据库”的过程而是根据你给它的上下文来预测接下来最可能出现的回复内容。你输入什么它就在这个基础上开始推演。这就好比带了一个超强实习生。他不是百科全书但学习能力极强你要交代清楚背景、目标、约束、输出格式他才有可能交付一份接近你预期的东西。你说“帮我写个文案”他可能给你一份泛泛而谈的初稿你说清楚“给哪个平台写、给谁看、调性是什么、长度多少、有什么不能写”他就能交出一份像样的东西。提示词工程干的事就是把这个“交代过程”结构化、可复现化。1.2 一条提示词同时干了两件事注入上下文 发出指令拆开看任何一条提示词其实都在同时做两件事注入上下文给模型提供背景知识、角色身份、范例、资料片段告诉它“你在什么情境下工作”。发出指令告诉模型“你要做什么、怎么做、输出成什么样”。很多人的提示词写得无效是因为把这两件事混在一起了。比如“帮我写一份关于太阳能行业市场分析的报告重点看政策变化最好有数据写专业一点”这句话里角色没有、受众没有、数据来源没有、报告结构没有、篇幅没有模型只能靠猜。猜的结果就是平庸、泛化、错漏百出。后面所有的技巧都围绕一个目标减少模型的猜测空间。你把该交代的全交代到位了它自然就不需要自由发挥。1.3 为什么这些技巧能“立刻上手”这里有个容易被忽略的事实大部分提示词技巧本质上是在调整信息的呈现方式而不是在召唤某种神秘能力。因此它不挑模型、不挑平台、不需要编程基础你在任何聊天界面里都可以直接验证效果。这篇里讲的10个技巧全都符合这个标准。后面每一章会讲清原理、给出反例和正例、附上通用模板你拿去就能用。2. 开局定调角色锚定与受众指定让模型先站对位置2.1 技巧1角色锚定原理是什么大模型生成内容时会根据前文构建一个“临时人格”你的第一句话很大程度上决定了这个临时人格站的位置。如果你给模型设定一个专业角色它的措辞、信息密度、知识侧重点都会自动向这个角色靠拢。这本质上是把你对“专业度”的期望通过角色信息注入到了上下文里。对比一下普通提问帮我写一段某品牌降噪耳机的产品介绍。角色锚定你是一名拥有10年消费电子行业经验的产品经理对音频技术和用户心理都有深入理解。请以产品经理的口吻为某品牌降噪耳机写一段产品介绍重点突出它在通勤场景下的使用价值避免堆砌参数用用户听得懂的语言。两者的差异非常明显。第一句得到的是“该产品采用先进降噪技术……”这类说明书腔调第二句得到的是围绕通勤场景、提到地铁噪音、飞机引擎声、佩戴舒适度等真实痛点的内容。角色锚定让模型从“写文案的工具”变成了“懂产品的人”。通用模板你是一名【角色】擅长【专业领域】有【X年/多项目】经验。 请以【角色】的视角和口吻帮我完成【任务】。 在这个过程中请重点关注【核心诉求】避免【要避免的倾向】。注意角色要跟任务匹配。让法律从业者写营销文案、让诗人写代码审查报告角色和任务错配的时候效果反而更差。另外别堆砌多个角色“你既是律师又是心理咨询师还是编剧”会让模型无所适从选一个最契合的角度就行。2.2 技巧2受众指定为什么说“跟谁说”比“说什么”更重要同样一个知识讲给行业专家和讲给完全零基础的小白内容组织方式截然不同。你不指定受众模型默认按“通用大众”来处理结果是既不够专业也不够通俗。受众指定可以让模型自动调节术语密度、篇幅长短、语气风格和例子类型。对比一下未指定受众请解释一下TCP三次握手。指定受众请向一个完全没有网络基础的高中生解释TCP三次握手。要求全程不用专业术语用生活化类比比如两个人约见面确认彼此能联系上的过程控制在300字以内。两条指令产出的内容差距是断崖式的。前者可能上来就是“SYN、ACK、seq/ack编号”后者会从“两个人打电话互相确认信号”开始讲讲到为什么需要三次而不是两次。这个技巧尤其适合需要做知识科普、产品文档、培训材料的人。通用模板我要向【受众】解释/展示【主题】。 受众背景是【背景信息】请用【语气风格】表述 避免使用【术语/表达方式】控制在【数量】字以内。2.3 角色与受众叠加使用角色锚定和受众指定可以叠加。比如“你是一名营养师角色请为完全没有医学背景的上班族受众解释如何通过日常饮食补充蛋白质”这种叠加指令在知识解释类任务里几乎无往不利。但要注意一点分别只加一个维度就够别在同一句话里堆五个定语。3. 用例子说话Few-shot 示例、结构化输出与负向指令3.1 技巧3Few-shot 示例原理是什么大模型有很强的上下文学习能力In-Context Learning意思是你不需要用抽象的语言描述抽象的规则直接给它一到三个输入输出的例子它就能从中总结出规律并应用到你接下来的输入上。这比任何“预测结果”都直接。场景案例假设你要用模型给一堆用户评论做情感分类。普通指令可能是“请判断以下评论是正面还是负面”但模型的判断标准跟你的标准未必一致。别人评论“物流真快就是包装有点简陋”在你眼里这是“中性偏正面”但模型可能会判成“负面”。正确的做法是给例子请将用户评论分类为正面、负面、中性。 正面示例 评论这个耳机降噪效果超出预期地铁上几乎听不到噪音。 分类正面 负面示例 评论用了三天就连不上蓝牙客服也联系不上体验很差。 分类负面 中性示例 评论产品做工还行就是价格中等。 分类中性 现在请分类 评论物流真快就是包装有点简陋。 分类模型的判断精度会显著提升。原因很简单例子同时传递了两层信息——分类标准本身以及输出格式。经验之谈示例数量不是越多越好2到3个高质量例子通常就够。关键是例子要覆盖边界情形比如那种看起来像负面的中性评价。这比堆8个例子更有效。3.2 技巧4结构化输出为什么模型输出格式总是不听话因为默认情况下模型不知道你要拿文本去干嘛。如果你要程序化地解析它提取的信息就必须指定输出结构。结构化输出JSON、Markdown表格、XML等不只是在格式层面有优势它还能强迫模型按字段思考减少无关信息的输出。场景案例从客户反馈中批量提取关键信息。请从下面的客户反馈中提取信息以JSON格式输出 { 情绪类型: 正面/中性/负面, 核心问题: 一句话概括, 紧急程度: 高/中/低, 建议处理方案: 一句话概括 } 反馈内容产品用了一周电池续航越来越差早上充满电到下午就只剩20%之前用的你们家旧款没有这个问题有点失望。 输出 { 情绪类型: 负面, 核心问题: 新款产品电池续航明显低于预期, 紧急程度: 高, 建议处理方案: 提供电池检测或退换货通道 }对比一下如果你只说“提取客户反馈信息”模型给你输出的可能会是一大段散文。指定结构之后信息一目了然而且可以直接接下游流程。注意请求模型输出JSON时最好给出字段说明和示例值。因为JSON字段命名是自由的你如果先定义了字段名模型就会照着你的字段名输出后续解析代码就不用改。3.3 技巧5负向指令很多人不知道告诉模型“别做什么”和“做什么”同样重要。负向指令Negative Prompts的核心作用是圈定输出边界。模型默认会用自己最喜欢的套路来写东西——感叹号、陈词滥调、空泛的大词这些在你眼里往往是“一眼AI感”的根源。你不明确禁止它就会反复踩线。场景案例写小红书风格文案。薄弱指令帮我写一条某护肤品的种草文案。有效指令帮我写一条某护肤品的种草文案。要求不要用“亲”开头不要用“宝藏”“绝绝子”“YYDS”这类词不要连续堆感叹号不要夸大功效比如“一夜回春”这类表达语气要像朋友之间分享真实体验。加了负向指令后那套“一眼AI”的文案味立刻少了大半。负向指令其实是在帮模型省掉“猜你喜欢什么风格”的过程。经验之谈负向指令的条数控制在2到3条就差不多。太多负向指令会让模型失去正方向输出变得畏手畏脚。还有一个技巧每条负向指令尽量附一个替代方向。比如“不要用‘亲’开头直接用产品名或场景开头”模型就知道该往哪儿走了。4. 控制推理过程思维链、参数配置与迭代修正4.1 技巧6思维链与分步拆解原理是什么当任务涉及逻辑推理、多因素分析时直接让模型给结论它容易跳步一跳步就容易错。如果你明确要求模型先展示推理过程再给出结论正确率会明显提高。这就是思维链Chain of Thought的实际效果与其说是让模型“思考”不如说是强制它按照结构化的方式输出中间步骤。推荐模板请按照以下步骤处理 1. 先分析【主题】的核心矛盾和关键变量。 2. 列出2到3个可能的方案每个方案说明优缺点。 3. 综合评估后给出你的最终建议并说明理由。 请在回答中完整展示每一步的分析过程。这个模板适合用来做方案选型、问题归因、利弊衡量这类分析类任务。它把“一个模糊的大问题”拆成了“三个可控的小步骤”模型的出错率会低很多。注意不是所有任务都需要思维链。简单任务比如“把这句话翻译成英文”“给这段文件写个摘要”加思维链就是画蛇添足反而会产出大量没必要的过程文本浪费token。4.2 技巧7生成参数是提示词的一部分这个技巧严格来说不是单纯的提示词写法但实际调优时它跟提示词密不可分。即使你的提示词写得很好如果生成参数不合适输出还是可能翻车。核心影响最大的几个参数参数作用适用场景temperature控制随机性值越大输出越发散头脑风暴用0.8~1.0事实性任务用0~0.3top_p控制候选词采样范围跟temperature类似一般保持默认微调时优先动temperaturemax_tokens限制输出最大长度根据任务预设避免生成长文被截断frequency_penalty惩罚重复的词生成长文时适当调高减少车轱辘话我的建议事实性、代码类、数据提取类的任务把temperature调到0或0.2左右你会发现输出稳定性明显提升创意写作、头脑风暴时再调高到0.8以上。很多人抱怨“同一个提示词有时候好有时候差”一半的锅其实在参数上尤其实在使用默认高温度配置的消费端产品里。4.3 技巧8迭代修正把一次问答变成一场“对稿会”高手和普通用户最大的区别在于会不会追问。很多人把提示词工程理解成“一次性写出一条完美提示词”这是个误解。在实际工作流中提示词工程是动态的你完全可以先给一个基础指令等模型输出后再逐步修正。这个过程在Chat型产品和API调用里都能做是成本最低的调优方式。实操模板这版输出有以下问题 1. 【问题1例如语气太正式】 2. 【问题2例如第二段的内容跟主题无关】 请保留原有结构重写一版重点解决上述问题。注意反馈一定要具体。你说“写得不好”模型只能胡乱重写一遍大概率还是不好。你说“第三段的例子换成数据支撑结尾应该给一个明确建议”它的修正就会非常有针对性。补充一个实用技巧如果模型连续两轮修正都没能达到预期别继续在对话里死磕先回到提示词本身检查是不是角色没过到位、示例不存在、约束太模糊。对话里的修正是补丁提示词的重写才是结构性解法。5. 套模板库10个高频场景直接复制使用5.1 技巧速查总表先把前面提到的10个技巧用一张表收拢起来方便你对照使用技巧一句话核心什么时候用1. 角色锚定给模型一个专业身份让它调整输出姿态任何需要专业化表达的任务2. 受众指定明确内容接收对象调节术语与语气科普、培训、写作、翻译3. Few-shot示例用1~3个例子代替抽象规则分类、抽取、格式模仿4. 结构化输出指定JSON/表格等输出结构数据解析、信息提取、程序对接5. 负向指令明确禁止的行为与表达网络文案、广告、风格控制6. 思维链要求分步推理再给结论逻辑分析、方案决策7. 参数配置温度与长度等参数配合提示词控制输出随机性与长度8. 迭代修正用反馈持续对稿任何一次成稿后的润色9. 输出约束明确结构、篇幅、风格长文、报告、方案10. 变量化模板把提示词参数化为复用工具重复性工作流、批量调用5.2 完整模板库10个场景直接复制下面这套模板是我在实际项目里用过的覆盖了大多数高频场景。使用方法是把方括号里的变量换成你自己的内容然后直接发给模型。模板1通用写作你是【职业角色】。请帮我写一篇关于【主题】的文章。 目标读者是【受众】。 文章用途【自媒体发布 / 内部报告 / 客户方案】。 结构要求开头直接点明核心观点中间分三个小节展开每节给出具体论据或案例结尾给一个行动建议。 语言风格【正式 / 轻松 / 专业】。 篇幅【800字】。 避免空话套话、过度夸张的形容词。模板2代码生成与审查你是【资深后端工程师】。 任务【实现一个函数根据用户ID查询其最近10条订单并返回订单号、金额、时间】。 语言【Python】。 要求 1. 考虑异常处理和输入校验 2. 使用类型注解 3. 运行时复杂度尽量低 4. 输出完整代码并在代码末尾用两行注释说明关键思路。 另外请检查是否存在隐患【可选项粘贴待审查的代码】。模板3数据分析与报告解读请帮我分析以下数据。背景【说明数据来源和业务场景】。 数据【粘贴数据/表格】。 请完成 1. 指出数据中最明显的3个趋势说明判断依据 2. 识别可能的异常值或需要警惕的地方 3. 针对下一步行动给出2条建议。 输出格式分点说明每点控制在100字以内最后用一句话总结。模板4长文摘要请把以下内容压缩为【200字】左右的摘要。 要求 1. 保留核心事实、关键数据、因果关系 2. 删除描述性修辞和重复观点 3. 按“背景—结论—意义”的顺序组织摘要。 原文如下 【粘贴原文】模板5费曼式知识解释请用费曼学习法帮我理解【概念】。 要求 1. 先用一个生活化类比解释核心含义 2. 再把概念拆解为3个关键组成部分每个部分配一个小案例 3. 最后用两句一共不超过50字的话总结假设听者是完全没有基础的小学生。模板6头脑风暴我需要为【目标例如新消费品牌Q3营销方案】做一次头脑风暴。 限制条件【预算有限 / 不投信息流广告 / 只做私域】。 请给出 1. 10个不同方向的创意点子每个点子用2~3句话说清楚执行思路 2. 每个点子标注预计成本和难度 3. 最后从中挑选3个你认为性价比最高的推荐方案。模板7邮件/私信润色我写了一段话想请你润色。场景【发给客户催款 / 写给领导的周报 / 私信约面试】。 要求 1. 保持原意不变语气更【温和 / 专业 / 礼貌】 2. 字数控制在【150字】以内 3. 不要加表情符号不要用“祝好”以外的客套话 4. 需要有一个明确的开场和结尾。 原文【粘贴原文】模板8面试模拟与谈判练习你扮演一位【岗位】的资深面试官。我会以应聘者身份回答问题。 请你 1. 先用3个问题从【专业技能 / 项目经验 / 抗压能力】三个维度考察我 2. 我回答后给出点评包含做得好的地方和改进建议 3. 追问一个更深层次的问题。 请一次只提出一个问题不要连续抛出多个问题。模板9结构化信息提取请从以下文本中提取实体输出JSON格式 { 公司名称: , 岗位名称: , 工作年限要求: , 薪资范围: , 核心技能: [], 招聘来源链接: } 文本内容【粘贴文本】。 注意字段留空表示原文没有相关信息不要编造。核心技能最多提取5个。模板10本地化翻译请将以下内容由【中文】翻译为【英文】。 背景这是一段【产品说明/营销文案/学术摘要】翻译风格需要面向【海外普通用户】。 要求 1. 使用自然的地道表达避免逐字直译 2. 保留专有名词不译 3. 如果原文有双关或文化梗在括号里注明需要在本地化时替换的处理建议。 原文【粘贴原文】5.3 技巧10把任意模板改造成变量化工具模板库用了一段时间后你会发现大部分模板的骨架是固定的变化的只是中间的变量。比如通用写作模板每次变的其实是主题、受众、字数。这时候就可以把模板升级成变量化形式角色{role} 任务{task} 受众{audience} 风格{tone} 字数{length} 约束{constraints} 背景资料{context} 请按以上信息完成任务如需示例请参考 输入{example_input} 输出{example_output}变量化的好处是你可以把这套提示词接入工作流甚至写个小脚本批量生成内容。即使不写代码在文档里把变量提前填好也能节省大量重复劳动。我在团队内部整理了一套共享模板按场景分目录每位成员用时直接复制改变量输出的稳定性比以前各自瞎写强很多。5.4 模板使用中的三个坑坑一把模板当金科玉律。模板给的是骨架不是答案。同一个写作模板写小红书帖子和写行业报告中间的措辞、结构、约束条件都要调整。完全照搬模板然后抱怨效果不行的问题大概率出在变量没换干净。坑二把关键背景塞在提示词最后。大模型在长上下文中存在“中间迷失”现象太长的提示词里前部的角色指令和后部的任务指令往往最能被模型捕获埋在中间的背景信息容易被稀释。建议把角色放最前关键任务指令也提前背景资料作为中间补充最后是输出格式约束。坑三组合技巧太多提示词变得过重。十个技巧不是每一条都要同时用上。一个简单的翻译任务你不需要同时加角色、受众、示例、负向指令、思维链、结构化输出。这会让模型无所适从也浪费大量token。我的经验是判断当前任务最核心的痛点是什么然后只用解决这个痛点的2到3个技巧。6. 为什么有时候技巧会失灵一次完整排查链路6.1 先别急着改提示词先定位问题类型即使掌握了全部技巧你依然会遇到输出不理想的情况。这时候不要一股脑重写提示词先判断问题出在哪一类。我把常见的输出问题归为三类格式错乱输出结构不符合要求比如要JSON却给散文、要表格却给列表。优先检查示例和输出约束看看是不是只说了格式名称却没给格式范例。内容空泛输出全是正确的废话没有信息量。优先检查角色与受众再看看有没有给背景资料或示例通常是因为模型缺少判断依据。事实错误/幻觉一本正经地编造数据、法律条款或人物。优先检查是否提供了可靠的信息来源并明确要求“只基于给定的资料回答不要补充外部信息”。6.2 排查链路的节点顺序按下面的顺序走一遍大多数问题都能定位描述清楚“哪里不满意”——是格式、内容还是事实层面确认模型有没有违反负向指令——如果违反了把负向指令位置提前或加粗强调检查示例和背景信息是否被淹没在长提示词中间——过长的提示词尝试精简或把关键指令重复放在开头和结尾排除参数干扰——生成时temperature是否过高、max_tokens是否不够判断任务是否需要外部数据——很多“幻觉”问题的根源是模型知识截止时间或私域数据缺失换一个更强的模型再试——提示词只是引导能力不能创造能力超出模型能力边界时换模型比硬调提示词高效得多。6.3 别把提示词当万能药模型能力的边界这是做提示词工程培训时最想强调的一点提示词能优化的是“模型的表达能力”不是“模型的知识边界和推理上限”。遇到下面几类场景调整提示词解决不了根本问题场景正确解法原因需要实时新闻/价格/政策信息接搜索能力或RAG外挂知识库模型训练数据有截止时间需要理解企业内部私域文档先用RAG检索相关片段再给模型提示词的上下文窗口有限复杂数学推导/长链路逻辑推理换更强的模型或拆分任务能力上限由模型本身决定需要多轮工具调用、操作外部系统使用Agent/Function Calling框架纯文本对话没有执行能力把这些边界想清楚你会发现很多“提示词失灵”其实不是提示词的问题而是工具选型的问题。最后聊一点个人体会。做提示词工程培训时我经常跟学员讲模板库给你的是最大公约数真正值钱的是你对着自己的业务场景一遍遍修改出来的私人模板。每次跑通一条高质量提示词我都会顺手丢进自己的模板库并标注当时用的模型、参数、任务背景。下次遇到类似任务直接改变量就能复用不用从零开始。这个习惯坚持下来你手里的模板库会越来越厚慢慢就成了别人拿不走的资产。提示词工程的终极目标不是写出某一句“咒语”而是建立一套你自己用得顺手、可以持续积累的内容生产系统。希望这篇里的10个技巧和模板能成为你搭建这套系统的起点。