第一次用大模型写方案的人大概率都经历过这样的场景——明明模型很强输入帮我写一份竞品分析报告出来的是翻来覆去那几句正确的废话可网上那些晒效果的人同样的工具两句话就能让AI写出有观点、有结构、有细节的东西。差别在哪不在模型在提示词。提示词工程Prompt Engineering听起来像是个学术名词说白了就是一门怎么写需求文档的手艺。模型就像一台能力很强但极容易曲解指令的机器你说得越模糊它越倾向于用最大众化的方式回答你的问题结果自然平庸。反过来当你把背景、任务、格式、禁区、示例都交代清楚模型的表现会立刻上一个台阶。这篇文章我整理了10个能立刻上手的提示词技巧并在后面附上我平时在用的提示词模板库。不讲玄学不整理论每个技巧都配上能直接复制的模板片段。适合三类人被AI输出气到无语的内容创作者、想用AI提升效率但不知道怎么写指令的职场人、以及刚接触大模型想看透门道的新手。1. 从一次答非所问开始同一个模型为什么效果天差地别1.1 那次让我彻底改观的对话我第一次认真研究提示词工程是因为一次不太愉快的使用经历。当时在同一个对话框里我先输入帮我写一份竞品分析报告它给我回了一段四平八稳的框架先写市场背景、再写产品优势、最后写未来展望——这种内容放在任何一份PPT里都不会出错但也挑不出任何亮点。我随后把提示词改成你是一位在消费电子行业做了8年的资深分析师请针对真无线耳机这个品类帮我做一份竞品分析报告。要求选取市面上3款主流产品从降噪、音质、价格、续航4个维度对比输出一个表格并在每个维度最后给出我方的建议。不要泛泛而谈每条建议必须说明原因。同样的模型第二次给出的答案完整度、颗粒度完全不一样有具体型号、具体参数、甚至有低频降噪在通勤场景更重要这样的洞察。那一刻我才反应过来问题从来不在模型而在指令。1.2 提示词工程不是玄学是需求文档很多教程把提示词工程讲得很玄动不动就是咒语魔法其实它真正对应的是软件工程里的需求文档。你让一个实习生去干活只说做一份竞品分析他给出来的东西大概率也是框架假大空。但如果你把背景信息、交付格式、维度、禁忌都写清楚他就能做出接近你预期的东西。大模型比实习生更听话但也更需要你把需求说完整。所以提示词工程的核心不是堆砌华丽辞藻而是做到四个字信息完整。背景、任务、格式、边界四个方面越明确模型的输出就越稳。1.3 这篇文章适合谁我用的是市面上常见的对话式大模型不同产品的底层模型版本有差异但只要是大语言模型下面这些技巧的底层逻辑都通用。如果你属于这三类人这篇值得花十分钟认真读完第一内容创作者每天要和AI一起产出文案、脚本、图文希望减少反复修改第二职场效率党想让AI处理数据整理、邮件回复、会议纪要但不知道怎么写才稳定第三刚接触AI的普通用户被长篇大论吓住想直接从能用的模板入手。2. 模型不是人读懂大模型的听讲方式提示词才能不跑偏2.1 Token模型切割文字的方式和我们不一样大模型不直接读字而是把文字切分成一个个叫Token的单元再处理。英文一个单词往往是一个Token中文一个常用汉字大约能对应1到1.5个Token生僻字或专业术语可能占到多个Token。这个差异意味着同样是150字的一段提示词中文消耗的Token数量往往比英文多当提示词很长时信息密度就很重要。你不需要做精确的Token计算但得理解一件事模型能同时处理的内容总量是有限的每一段文字都要占用它的工作记忆。一句话能讲清楚的事不要用三句话绕来绕去提示词越精炼模型越不容易在细节里迷失方向。2.2 注意力机制开头和结尾是提示词的黄金位置大模型的Transformer架构自带注意力机制简单说就是模型在处理后面的文字时会对前面不同位置的文字分配不同的注意力权重。实操中你会发现提示词最开头和结尾的内容通常对输出影响最大中间部分容易被稀释。这也是为什么在后面的技巧里我会反复强调两个习惯核心任务动词尽量放开头关键约束条件尽量放在靠近结尾的位置或者单独一行强调。比如总结下面这段话就比下面这段话你帮我总结一下更有效因为任务信息出现在开头模型更容易锁定执行目标。2.3 角色设定的底层逻辑概率分布的偏移为什么你是一位资深分析师这句话有奇效从原理上解释大模型在训练阶段见过大量扮演某类专业人士的语料当提示词中出现角色设定时模型内部的语言概率分布会向该角色对应的语料风格倾斜。它未必真正成为了分析师但它生成文字时会更倾向于调用与分析师相关的词汇、句式、论证模式。理解了这一点你就知道角色设定不是越夸张越好而是要具体、可对应到某一类真实存在的语料。你是一位有10年经验的数据库运维工程师就比你是一位数据库大神更有效因为前者的知识边界和表达风格更清晰模型更容易锁定对应区域。3. 10个立刻上手的技巧上基本功越扎实翻车率越低下面进入正题。这10个技巧我按使用频率排列前面5个偏基础日常90%的场景都够用。3.1 技巧一角色设定一句话给模型立人设前面原理部分已经说了角色设定的本质是概率分布偏移。实际使用时角色设定最好带上三样信息角色身份、经验年限或行业背景、以及需要采用的专业视角。反例帮我分析这份销售数据。正例你是一位有5年零售行业经验的销售运营分析师请从渠道健康度的角度分析这份月度销售数据重点关注环比下滑明显的品类。加了这层设定之后输出里会出现渠道SKU结构动销率这类更贴合专业的表达而不是泛泛的建议加强销售。我自己测试过同样的数据加了角色和不加角色输出差距甚至能到模板套话和行业建议的档次差。3.2 技巧二任务动词前置别让模型猜意图同一个意思动词放前面和藏在中间模型给出的响应质量有明显差异。原因是注意力机制会更早锁定要做什么随后的细节都会被当作任务的修饰条件来处理。反例这里有一段客户投诉你先读一遍然后我看看怎么回复比较好。正例请起草一封致歉回复邮件对象是一位因物流延迟而投诉的客户。要求语气诚恳、给出补偿方案、控制在100字以内。两种说法的信息其实差不多但第二种给模型的指令边界清晰得多它不会在要不要读怎么回复之间自由发挥。写提示词时第一个词尽量用生成撰写分析总结提取这类明确的动作词。3.3 技巧三定义输出禁区给模型圈好边界人脑的默认思维是告诉我要什么但模型的默认行为是当你只告诉它要什么它会为了满足要求而把你的要求泛化结果就是废话连篇。这时候一定要补上不要什么。反例帮我写一段产品卖点文案。正例帮我写一段降噪耳机的卖点文案150字以内。要求不要使用极致革命性颠覆这类夸张词不要罗列参数只写使用体验不要出现如果你还在犹豫这种营销腔。用负向约束给模型圈边界比只给正向要求有效得多尤其是处理风格类任务时。写提示词时可以养成习惯每次写完要什么之后再花一句话想想我不要什么。3.4 技巧四示例驱动一个例子顶十句描述大模型有一种叫上下文学习In-Context Learning的能力给它几个输入→输出对照样例它能自己推断出隐含的转换规则按同样的模式处理新的输入。这个能力比抽象描述规则更可靠。反例请把下面这段话改写成小红书风格。正例我给你一个改写示例然后你按相同方式改写 原文这款保温杯容量500ml价格129元。 改写后被这个小杯子拿捏了500ml刚好够我这种喝水困难户一百出头性价比直接拉满 请按同样风格改写这款蓝牙耳机续航30小时支持入耳检测。有了示例模型可以精确模仿你的语气、标点使用习惯而不是套用模板化的小红书腔。遇到你觉得描述不清楚想要什么的时候直接找一两个正反例给它比补充一百字形容词都管用。3.5 技巧五思维链让模型先想再说现在几乎所有主流模型都对一步一步思考这类短语有很强的响应这就是思维链提示Chain-of-Thought。原理是强制模型在给出最终结论前先生成中间推理步骤相当于给一道复杂计算题加上草稿纸能大幅减少一步到位的错误率。反例甲乙两地相距240公里小明开车速度60公里/小时小红骑自行车速度15公里/小时两人同时相向出发几小时后相遇正例甲乙两地相距240公里小明开车速度60公里/小时小红骑自行车速度15公里/小时两人同时相向出发几小时后相遇请先写出解题思路和方程再计算最后用一句话回答。注意使用技巧时要写成请先列出解题思路再计算而不是请认真思考——后者太模糊无法引导模型生成有效的推理链。对写代码、做分析、定方案这类需要逻辑的任务这个方法都能明显提升结果质量。提示上面五个技巧本质上是一个最小提示词框架——角色、任务、格式、禁区、示例。初学阶段写提示词时先检查这五个变量缺了哪个比不断加话术更有效。4. 10个立刻上手的技巧下进阶玩法解决刁钻问题前面5个技巧解决的是怎么说人话后面这5个技巧解决的是怎么让AI按你想要的方式交付适合任务比较复杂、或对输出格式有要求的场景。4.1 技巧六结构化输出让AI回答问题像填表当任务需要对接程序、或内容量很大时直接让模型按指定结构输出能省掉大量的二次整理时间。JSON、Markdown表格、YAML都可以作为目标结构。正例提示词请将下面这份会议纪要整理为JSON格式字段包含 { 会议主题: , 参会人数: 0, 决议: [], 待办事项: [{事项: , 负责人: , 截止日期: }] } 不要输出JSON以外的内容。模型对格式约束的遵循能力很强但它偶尔会在JSON前后加说明文字比如以下是……这类的话所以不要输出JSON以外的内容这句建议保留。对于程序员来说这相当于让AI直接生成可解析的数据结构对普通用户来说结构化输出也能让信息层级一目了然。4.2 技巧七大任务拆小一次只说一件事上下文窗口再大也架不住一个人同时处理三四件复杂事。写一份完整方案时模型在后半部分往往会忘记开头的约束或者开始重复。拆任务不是多此一举而是让模型把有限的注意力集中在当前的一个子任务上。反例帮我写一个全年营销计划包括目标拆解、渠道策略、预算分配还要写一封供应商合作邮件另外再把合同里需要注意的条款列出来。正例是先拆步骤第1轮帮我确定全年营销计划的核心目标给出3个可量化的方向。第2轮基于选定的方向给出渠道策略按渠道列出预算占比。第3轮基于以上结论起草一封给供应商的合作邮件。多轮对话的每一轮都只做一件事每一轮的输出质量都比一次性要求高得多。如果你发现模型的回答开始虎头蛇尾大概率是任务太重试着把它拆成两三个子问题。4.3 技巧八反向提示让模型别硬编答案大模型为了流畅回答有时会在不确定的情况下编造信息这就是AI幻觉。反向提示的核心就是明确告诉模型不知道就不知道不要自己补脑。正例提示词如果上述问题中存在你无法确认的数据或事实请直接回复该信息我无法确认不要使用大概可能应该并结合自己的推测填充答案。只有在你有明确依据时才输出具体数字。这条提示词在处理数据整理、事实核查、历史事件梳理类任务时特别管用能显著降低幻觉带来的风险。我实测过带和不带这条输出里出现无中生有数据的概率相差非常大。4.4 技巧九温度参数协同创意和严谨各有各的档位如果你用的是API调用还有一个独立于提示词的参数temperature控制输出的随机性。它和提示词是协同关系会直接影响风格类约束是否生效。场景推荐temperature原因事实问答、代码生成、数据整理0.1-0.3输出稳定减少随机表达邮件改写、摘要提炼0.3-0.5保留信息准确性的同时稍微自然文案创意、头脑风暴、故事创作0.7-0.9允许更跳跃多样的词汇组合如果你用的是即时聊天界面也要理解这个参数的存在当提示词里有多创意脑洞等字眼时模型会自动向高随机性方向偏移当你要准确输出时提示词里最好明确写严格按事实输出不要发挥。这也是为什么提示词要匹配任务类型——不是所有提示词都越长越好严谨任务里那些鼓励自由发挥的词语反而是干扰。4.5 技巧十元提示让AI帮你优化提示词当你写了半天还是觉得提示词不顺可以换个思路让模型当提示词工程师帮你改写提示词。这个技巧叫元提示Meta Prompting是效率最高的迭代手段。正例提示词下面是我写的一条提示词效果不稳定 写一篇关于时间管理的文章。 请帮我把它改写成一个更完整、约束更明确的提示词要求包含角色设定、任务说明、输出格式、禁区、可选的示例框架。你只需要输出改写后的提示词不需要额外解释。让AI自举优化提示词比自己从头琢磨快很多。把它当成一个提示词助手省的是你最宝贵的时间。每隔一段时间我都会把常用的几条提示词交给模型做一次元提示优化看看有没有自己没想到的约束角度。5. 模板库拿来即用的提示词配方技巧单独用有效组合起来效果更好。下面是我平时用的几组模板按使用频率排了四个方向复制替换方括号中的内容就能直接用。5.1 内容创作类模板模板一爆款标题生成你是一位拥有10年新媒体运营经验的标题专家。请针对下面这段内容生成10个不同风格的标题 内容[粘贴内容] 要求风格覆盖悬念型、数字型、反常识型、情感型各2个每个标题不超过20字不要使用震惊重磅等被过度使用的词输出格式按风格分类列出这套模板适合写公众号、知乎、小红书时批量试标题。多个方向让模型互相补充比自己憋标题效率高非常多。模板二长文改写请将下面这段文字改写为适合[小红书/知乎/公众号]发布的版本 原文[粘贴原文] 要求保持核心信息不变口语化拉近阅读距离段落不超过5行结尾加一句引导互动的提问不要添加原文不存在的数据或事实。这两种模板我都放在笔记软件里用的时候把内容粘进去十秒钟就能拿到一版基础输出再在上面改比从空白页开始写轻松得多。5.2 编程开发类模板模板一代码逐行解释你现在扮演一位有10年后端开发经验的工程师。请解释下面这段代码的作用和运行原理 [粘贴代码] 要求按代码执行顺序逐段解释指出每段的关键函数与时间复杂度如果代码有明显问题单独用潜在风险标题列出不要直接修复代码先解释清楚。这个模板特别适合复盘别人的代码、应对接手老项目时的理解难题。注意最后一条不要直接修复很关键它能避免模型一上来就给你一堆改动建议打乱你的学习节奏。模板二Bug定位助手我正在排查一个[Python/JavaScript/Shell]的Bug问题现象[描述报错信息或异常行为]复现步骤[描述复现方式]期望结果[描述预期行为]实际结果[描述实际行为] 请帮我列出可能的原因按可能性从高到低排序并针对每个原因给出验证方法。最后给出你认为最可能的修复方案附带修改后的代码片段。这个模板的核心价值在于先列原因再给方案。假如它直接给一个修复方案你并不知道它为什么这么改按这个模板你既能定位问题也能理解方案背后的判断依据。5.3 数据分析与办公自动化类模板模板一Excel公式生成请为下面的业务场景编写一个Excel公式并解释公式的每一部分 场景描述[例如统计A列中大于100的数值总和且在B列为已完成时计入] 要求使用Excel标准函数给出公式、参数说明、以及一个示例数据下的计算结果不要使用VBA。每次工作中遇到需要写复杂公式的场景我都是直接套这个模板。它给出的解释能让我看懂公式而不是只会复制粘贴。模板二会议纪要转行动项以下是本次会议的主要内容请整理成结构化的会议纪要和行动项清单 会议内容[粘贴内容] 要求纪要包含会议背景、关键讨论点、结论行动项用表格呈现字段为事项、负责人、截止时间、优先级不要补充会议中未出现的信息.由于模型本身没有听过会议它处理的是文字转述所以输入时建议在会议结束后把原始记录整理一遍再套这个模板。最后那句不要补充会议中未出现的信息基本每次都要写否则模型会自动脑补负责人和截止时间。5.4 学习与知识管理类模板模板一费曼学习法讲解请用费曼学习法讲解这个概念[概念名称] 要求先用一段大白话向一个10岁小孩解释这个概念再用三句话向初学者解释避免术语堆砌最后给出一个简单的类比排除不要引用来源不明的数据。这个模板效果出奇地好因为模型在向小孩解释时会主动去除抽象术语反而把复杂概念讲得更清楚。我给不少同事推荐过这个模板看完输出以后他们都会说一句原来这个概念是这么回事。模板二知识卡片制作请根据下面这段材料制作3张知识卡片每张卡片包含卡片主题、知识点3-5条、易错点1条、记忆口诀1条 材料[粘贴内容] 要求每张卡片独立呈现不要互相交叉引用。这套模板配合笔记软件使用学习长文时相当于雇了一位学习助理。可以一次性让模型生成多张卡片再人工筛掉不合适的比自己边读边归纳效率高很多。6. 四个高频翻车原因以及一套实用的调试方法6.1 翻车原因一堆砌术语丢失真正的指令很多人在网上学了几个热门词写提示词时恨不得把所有高大上关键词塞进去请用SWOT分析、波特五力模型、4P营销理论结合第一性原理和共生演化输出一份高维度、深层次、全链路的内容生态方案……结果模型确实把它们都塞进输出里了但核心任务被稀释得干干净净。提示词不是配料大赛堆砌术语不等于有效约束。写完后自己读一遍如果提取不出到底要做什么、什么格式、什么要求模型同样提取不出。它只能把这些术语挨个用一遍看起来高深实际没有解决任何问题。6.2 翻车原因二忽略模型版本和能力边界不同模型之间、同一产品的不同版本之间能力差异非常大。有的模型擅长长篇推理有的模型擅长代码还有的模型天然会在末尾补一句希望以上内容对您有帮助。这意味着两件事第一网上别人分享的神提示词换到另一个模型上效果可能打对折第二针对你的主力模型最好做一套自己的微调。我一直在维护一个提示词笔记每次发现某个模板在某个新模型上效果变了就把它记录下来。版本一换提示词也要跟着动。这不是玄学是模型能力分布的客观差异。6.3 翻车原因三没有给模型思考时间有些任务需要推理但你一开始就要求直接给答案等于逼模型跳步。没给草稿纸和日志它只能靠猜。在技巧五里提过思维链其实不止数学题需要这个待遇写代码、做分析、定方案都适用。一个可替代的表达方式把请直接回答换成请先列出关键判断依据再给出结论。多了这半句话输出的深度会明显不同。你可以对比着试一次差异大到你会一直记着。6.4 我的提示词调试工作流先跑通再跑好我调提示词不太玄学就三步。第一步跑一个最简版本。只写清任务和格式看模型能不能理解基本动作。第二步根据输出和目标的差距一个变量一个变量地加。先加角色看风格对不对再加禁区去掉多余措辞最后加示例精调语气。第三步多跑几次对比效果。至少让模型生成3版观察输出稳定性再做微调。这套流程的核心就是一次只改一个变量。很多人翻车是因为一次加了十个条件模型失灵后完全不知道是哪一条引起的。每次改动只动一个地方你能很快定位到原来是这句话改变了输出质量这个信息本身就是你的提示词资产。最后再分享一个小习惯所有模板不要死记硬背真正好用的是模板背后的变量思维——角色、任务、格式、禁区、示例这五个变量可以无限组合。只要你把五个变量想齐即使完全不背模板也能写出够用的提示词。我在实际使用中的体会是提示词工程跟写作很像看十遍教程不如自己上手改十次。找一个你每天都会用到的场景从一句话提示词改成五要素完整版用输出差异去感受每个变量的分量你很快就能建立自己的手感。