最近有个朋友跑来问我“为什么我让AI帮我写方案出来的东西总是又空又泛明明我描述得挺清楚的啊。”我让他把自己写的提示词发给我看了一眼问题马上就找到了——他那不叫提示词叫“愿望清单”。这事儿其实特别普遍我见过太多人把提示词工程想得过于玄乎以为就是跟AI多说几句话的事儿。实际上提示词工程是一项有方法、有套路、可复现的实操技能掌握它之后AI的输出质量能肉眼可见地提升一个档次。这篇文章我想把这几年在项目里反复打磨出来的10个提示词技巧连同我私藏的模板库一起整理出来。内容不玩虚的全部是能立刻复制到对话里直接用的干货。无论你是刚接触AI工具的小白还是已经在日常工作中重度依赖AI的从业者只要照着这几个思路去调整你写提示词的方式下一轮对话你就能感受到区别。1. 先说清楚提示词工程到底在解决什么问题1.1 为什么多数人写的提示词效果不稳定先说一个最容易踩的坑很多人觉得提示词写不好是因为AI“不够聪明”。但根据我的实测经验绝大多数效果翻车问题不在模型而在提示词本身的结构。先理解一个基础事实当前主流的大语言模型本质是一个基于海量文本训练的“概率预测器”。你给它一段文字它预测最合理的下一个字、下一句话是什么。这个机制决定了模型本身不具备真正的意图理解能力它只是擅长从你的描述中捕捉模式再顺着最可能的路径生成内容。也就是说如果你的提示词是模糊的、零散的、缺乏结构的模型就只能去猜你的意图。而一旦模型开始“猜”输出质量就会大幅波动——同一个问题换个措辞可能结果完全不同。比如你只说“帮我写个方案”模型不知道你要什么方案、给谁看、什么风格、多少字数它就只能在无数种可能路径里随便挑一条走。这种情况下得到的结果不好不是模型不行是你的输入没有给它足够强的约束。这里我习惯用一个类比来解释提示词工程就像给AI画一张施工图。你给的信息越完整约束越明确施工队模型就越清楚该怎么干活。图纸上连材料型号、尺寸标注都没有却指望对方交付出精装房那基本不可能。1.2 提示词工程的三个核心能力指令解析、上下文管理、输出约束聊到工程化思维我一般会把提示词拆成三个维度来看指令解析、上下文管理、输出约束。指令解析解决的是“让AI听懂你到底要干什么”。核心方法是把模糊意图拆分成明确动作。举个小例子“分析一下这份数据”和“从这份销售数据中找出连续三个月下滑的产品线并针对每条产品线给出原因假设和验证方法”这两个指令的执行效果差距是巨大的。后者给了模型明确的分析对象、分析范围、输出形式和后续动作模型的每一次计算都是朝着同一个目标去的。上下文管理解决的是“AI需要什么样的背景信息才能干活”。很多人在写提示词的时候会犯一个惯性错误——觉得自己知道的事情AI也知道。但模型不掌握你的项目背景、用户画像、过往讨论内容你必须把这些信息显式地喂给它。在我写提示词时有个习惯凡是涉及特定领域或具体项目的对话开头先用一段话把背景信息“铺”好就像给临时加入项目的同事做brief一样。输出约束解决的是“AI用什么格式、什么风格、什么结构来回答”。这是最容易被忽视也最容易见效的一环。同样是让它写周报不加约束得到的是散文加了“以3条要点的形式输出每条要点不超过40字分‘完成事项’和‘风险与求助’两个板块”这样的约束得到的就是一份可以直接粘贴进工作群的周报。一次完整的提示词应该是这三个维度的组合。下面要讲的10个技巧本质上都是在优化这三个环节中的一个或多个。2. 10个能立刻上手的提示词技巧按使用频率排序2.1 技巧1角色设定法——给AI一个明确身份角色设定是性价比最高的提示词技巧。怎么理解呢就是你在对话开头先用一段简短的话给模型一个“身份锚点”。这里有个容易忽略的要点角色设定不只是告诉AI“你是谁”更是在告诉它“你该用什么样的知识体系和语言风格来回答”。比如同样让AI写一段健身建议以下两种写法差距悬殊普通写法“给我推荐一些增肌的饮食建议。”带角色设定的写法“你是一位有10年经验的运动营养师擅长为上班族设计高效的增肌饮食方案。请为一个身高175cm、体重65kg、每周锻炼4次但饮食不规律的男性上班族推荐一周的增肌饮食建议要求方案考虑到外卖场景。”第二种写法之所以有效是因为角色设定激活了模型在训练数据中学到的关于“运动营养师”这个身份的知识分布——回答会更偏向专业术语、营养逻辑和实际可落地性而不是泛泛而谈的健康常识。这个技巧适用于几乎所有领域写作、咨询、编程、教育、法务……模板你现在是[角色身份]拥有[具体年资擅长领域]。请针对[用户画像]完成[具体任务]要求[风格/格式]。2.2 技巧2输出格式约束——先定结构再填内容如果你希望AI的输出是结构化、可直接使用的那么务必在提示词里提前约定好输出的结构和格式。我碰到过很多次这样的情况让AI写一份竞品分析报告它直接甩出一大段文字逻辑虽通但信息密度极低——你得自己重新提炼。后来我在提示词里加了一行“请使用Markdown表格按以下维度输出产品名称、核心功能、定价策略、目标用户、差异化优势”效果立竿见影。这里有一个关键细节格式约束应该放在任务描述之后而不是之前。原因很简单——模型的注意力机制对提示词末尾的内容记忆更清晰。你把格式要求放在后面它更容易严格遵守。另外一个实用技巧如果输出格式比较复杂可以在提示词里直接给一个“格式样例”。比如你要AI生成一段JSON格式的配置就把期望的JSON结构直接写在提示词里告诉它“按这个结构填充数据”。实测下来给出格式样例比只用文字描述格式准确率能提升好几个层次。模板请完成[任务]。输出请严格遵守以下结构[具体结构描述或样例]。2.3 技巧3一步一指令——把复杂任务拆成单步这也是很多新手常犯的误区一口气把多个任务塞进一条提示词里。“帮我分析这份数据然后生成图表再写一份报告报告里要有摘要、分析、建议……”这种情况下模型很容易“贪多嚼不烂”虽然表面上它会把每个步骤都做一遍但每个部分的深度都跟不上。更科学的做法是把复杂任务拆分成多个子任务分次对话完成。这背后有几个实操层面的原因第一每个子任务都能获得更充足的上下文窗口第二每步的输出你可以检查、反馈、修正再进入下一步第三步单步指令的清晰度远高于复合指令模型的完成度更高。我在处理月度汇报时就是三步走第一步让AI提炼关键数据第二步让AI分析数据背后的业务含义第三步让AI基于前面的分析生成汇报材料和行动建议。每一步都以前一步的输出作为上下文输入整个流程既稳定又可控。模板第一步完成[任务A]输出[格式A]。我将根据结果决定下一步指令。2.4 技巧4示例驱动——用Few-shot让模型模仿你的标准示例驱动也叫Few-shot是我个人最偏爱的一个技巧。原理很简单与其费劲用文字描述你要什么不如直接给模型1-2个例子让它照着你的例子来。这个方法在内容风格调校上尤其有用。比如公司内部有一批固定风格的客户回复话术你想让AI按这个风格批量生成新的回复靠描述“语气温和、专业、有温度”是远远不够的。但如果你在提示词里附上2-3条已有的优秀回复作为示例模型对风格和结构特征的捕捉会精准得多。实操中建议给2-3个示例不宜过多也不宜过少。只有一个示例模型可能过度模仿个例而失去泛化能力示例超过5个边际收益递减还会侵占宝贵的上下文空间。这里还有一个小技巧示例之间的差异可以适当拉大——比如两个示例一个写西班牙语地区的客户沟通一个写德语地区的模型反而更容易识别出“风格”这个变量。模板请根据以下示例的风格完成[任务]。 示例1[示例内容] 示例2[示例内容]2.5 技巧5思维链——引导模型分步思考思维链Chain-of-Thought是这几年的重要发现之一。它解决的是复杂推理任务中模型“跳步”的问题。当模型被要求直接给出最终答案时它倾向于走捷径但当它被要求“先逐步说明推理过程再给出结论”时准确率会明显提高。实际使用中不需要说得太高深。最简单的做法就是在提示词末尾加一句“请逐步分析最后给出结论”或者“先列出思考步骤再输出结果”。对于数学题、逻辑判断题、多条件决策类任务这个方法相当好用。但这里我要说一个踩过的坑思维链不是万能的它主要适用于推理类任务。如果你让它写文案、写诗还强制要求它“逐步思考”反而会让输出变得生硬。所以我的习惯是保留两个版本推理类任务用思维链创作类任务直接指定风格。模板请先逐步分析[问题]的关键因素和推理过程最后基于分析输出[结论]。2.6 技巧6负面约束——明确告诉AI不要怎么做大家写提示词时几乎都在告诉AI“要什么”却很少有人告诉AI“不要什么”。而负面约束恰恰是减少返工率的利器。举个例子你要AI写一封给客户的致歉邮件。如果不加负面约束它很可能会写出过度卑微、甚至有点自我贬低的措辞这大概率不符合公司的品牌调性。但如果你在提示词末尾加上“不要使用‘非常抱歉给您带来不便’这类模板化表述不要过度道歉不要出现‘我们也很无奈’之类的抱怨口吻”生成结果会立刻收敛很多。负面约束的本质是在缩小模型的搜索空间。模型生成时其实是在众多可能性里选择概率最高的路径负面约束相当于排除了那些高概率但你不需要的路径。所以在写负面约束时最好基于你对模型表现的预判来写——想想模型最有可能犯什么错然后针对性地禁止。模板请完成[任务]。注意不要[行为1]不要[行为2]避免[风格/措辞]。2.7 技巧7上下文打包——把背景信息放在正确的位置很多人问过我怎么处理多轮对话中的上下文问题。模型虽然有记忆能力但其上下文窗口是有限的而且“多个话题混在一起”时模型可能会被早期信息干扰。我的做法是“上下文打包”每次开启一个全新任务时都重新整理一次上下文而不是依赖对话历史里可能已经发生过三次话题切换的旧上下文。具体来说在对话开头用一段“背景说明”把必要信息一次性给出这段内容包括项目背景、目标受众、本次任务、期望输出。另外还有一个小技巧如果某个信息非常重要可以在提示词中重复出现两次——一次在背景说明里一次在任务指令里。这不是毫无意义的重复而是为了强化模型对这个信息的注意力。不过注意频率核心词重复两到三次就够了多了反而会稀释模型的注意力。模板【背景】[项目/用户/前提信息] 【任务】[具体指令] 【要求】[格式/风格/约束]2.8 技巧8温度与参数控制——调整模型的随机性对话类AI产品界面上通常不会直接暴露这个参数但在API调用和高级设置里温度temperature是影响输出风格的关键旋钮。温度控制模型的随机性温度低输出更保守、更确定适合事实性问答、代码生成、数据提取温度高输出更多样、更跳跃适合头脑风暴、创意文案等需要发散性的场景。在我的项目中写代码时温度通常设在0.1-0.3创意写作时会拉到0.7-0.9。不过对大多数普通用户来说你没办法通过界面直接调温度但你可以在提示词里间接表达。比如在创意任务中你写上“请给出3个不同风格的版本尽量大胆一些”这实际上就是在语言层面给模型传递了“高温度”的信号。反之“请基于可靠信息给出保守回答不要过度推测”就是在压低它的随机性。模板API/高级场景参数设置建议temperature0.2事实提取类任务temperature0.8创意发散类任务。2.9 技巧9迭代追问——把一次性提问变成持续对话这是使用AI最实用但也最容易被忽略的一个技巧。大多数人把每一次对话当成一次性的“提问-回答”得到结果就跑。但真正高效的用法是把对话当成多轮迭代的打磨过程。我的习惯是第一轮先给一个初步指令看看模型的输出方向第二轮根据自己的判断进行纠偏——比如“方向对了但例子不够具体”“深度可以再加深一层”“语气再正式一点”第三轮再检查细节。经过两三轮迭代输出的质量会非常接近甚至超过人工产出的水平。迭代追问还有个额外的好处你可以通过追问来榨取模型的知识边界。“你这里提到竞品A请再详细说明一下它的定价策略”“这个方案的成本计算过程是怎样的”每多追问一层你获得的信息深度就多一层。把AI当顾问来用而不是当搜索引擎来用效果天差地别。模板第一轮[任务指令] 第二轮方向基本可行请重点优化[具体方面]保持[原有优点]。 第三轮补充[具体内容]精简[冗余内容]。2.10 技巧10模板化沉淀——把一次性经验变成可复用资产这是我认为从“会用AI”到“用好AI”最后也是最关键的一步当你通过迭代得到一段非常棒的提示词之后不要把它留在聊天记录里吃灰而是把它沉淀成一个可复用的模板。实际操作中我会用一套简单的后缀系统来区分不同用途的模板。比如工作总结类的模板文件名会是“weekly-report-v2”文案类的会是“copywriting-persuasive-v1”。每个模板里保留通用的提示词框架只留出需要每次替换的变量字段下次再用的时候直接把变量替换掉就行。这样做的好处非常明显你不再需要每次从零开始跟AI磨合而且随着你不断优化沉淀你的模板库会变成一份只属于你自己的“AI使用手册”。这也是为什么我经常说提示词工程真正的复利在于模板的积累而不在于单次对话的聪明灵光。3. 模板库拿来就能用的5类高频场景模板3.1 文案写作类模板适用公众号文章、小红书文案、广告宣传语、产品介绍页。你是[品牌/账号]的资深文案编辑擅长写出[平台风格]的文案。 请为以下需求创作文案 产品/主题[描述] 目标人群[用户画像] 核心卖点[卖点1、卖点2、卖点3] 文案调性[活泼/专业/温暖/犀利] 发布平台[平台名称] 输出要求 1. 主标题5个备选每个不超过20字 2. 正文/内容结构开头引入-痛点共鸣-方案介绍-行动引导 3. 全文不超过[字数]字 4. 不使用“亲”“家人们”等过度营销词汇这个模板我用了很久核心逻辑是把“创作自由”限制在一个可控范围内同时保留足够的发挥空间。3.2 数据分析类模板适用销售数据分析、运营周报、用户行为分析。你是[行业]资深数据分析师。 以下是一份[数据描述]请完成分析并输出报告 数据内容[粘贴数据/描述数据文件] 分析目标[找出问题/评估效果/预测趋势] 输出要求 1. 先用表格呈现指标名称、数值、同比/环比 2. 再用要点提炼3个关键结论每条结论必须对应数据证据 3. 最后给出2-3条可执行的策略建议 4. 对数据中存在的异常值或缺失值单独说明不臆测原因这里重点推荐“每条结论必须对应数据证据”这条约束它能有效防止模型拍脑袋胡说。3.3 学习辅导类模板适用概念理解、知识梳理、考试复习。你现在是一位[学科]教师擅长用生活化类比解释复杂概念。 请完成以下辅导任务 概念/知识点[具体内容] 学习者基础[完全零基础/有一定基础/进阶] 学习目标[理解原理/准备考试/解决具体问题] 输出要求 1. 先用一个生活化例子引入 2. 再把概念拆解为3-5个核心要点 3. 每个要点配1个例题或场景说明 4. 最后出2道自测题并附答案与解析 5. 语言避免堆砌术语必要时补充术语表我有一个很深的体会让AI“用生活化类比”比让它“解释得简单一点”要好用得多——前者给了模型一个具体的生成方向。3.4 代码开发类模板适用写代码、修Bug、代码审查、技术方案设计。你是[语言]方向的高级工程师代码风格偏向[简洁/健壮/性能优先]。 请完成以下开发任务 功能描述[要实现的函数/模块/功能] 输入输出[输入格式、输出格式] 约束条件[性能要求、资源限制、依赖限制] 输出要求 1. 完整可运行的代码含必要注释 2. 先概述实现思路再给出代码 3. 指出可能出现的边界情况和异常处理方法 4. 不引入不必要的第三方库代码生成最怕的是“看似正确但跑不通”。所以我在模板中强制要求“先概述实现思路、再给代码”这样就算代码有问题排查思路也会清晰很多。3.5 内容总结提炼类模板适用会议纪要、文章总结、报告压缩、信息提取。你是[领域]资深编辑擅长信息提炼与结构重组。 请处理以下内容 原始材料[粘贴内容/描述内容来源] 处理目标[提炼要点/生成摘要/提取行动项] 目标受众[谁要看这份总结] 输出要求 1. 提炼不超过[N]条核心信息按重要程度排序 2. 每条信息用一句话概括附上原始材料中的对应依据 3. 如果材料中有待办事项或决策点单独列成清单 4. 保留所有数字、日期、专有名词不擅自改写 5. 总字数控制在[字数]以内特别说明一下第4条——“保留数字、日期、专有名词”是我踩过坑之后加上的。模型在总结时偶尔会把关键数字平滑掉或改掉加上这条约束能有效降低信息失真风险。4. 实测对比同样的任务普通提示词和优化后提示词的差距4.1 案例写一封产品推荐邮件先看普通提示词的效果“帮我写一封推荐我们产品的邮件。”这个提示词能得到一封邮件但大概率是那种充斥着“我们的产品可以提升效率、降低成本……”这种正确但平庸的内容。不知道产品是什么、客户是谁、卖点是什么、邮件目的是什么生成结果只能是无的放矢。再来看优化后的提示词“你是一位B2B SaaS公司的资深客户成功经理。我们最近上线了新的报表功能可以自动生成周度数据摘要并发送到管理层邮箱。请帮我给一位使用基础版超过6个月但没有升级意愿的中型企业客户写一封产品推荐邮件目标是引导他预约一次15分钟的功能演示。邮件语气专业且热情不要过度推销不要用‘限时优惠’等促销逻辑。正文控制在200字以内包含1个明确的行动引导。”差距在哪里假设你是一个刚接手这个客户的销售第一封邮件你完全不知道往哪个方向写第二封邮件你已经知道用户是谁、产品价值是什么、你要达成什么目标、用什么语气、不该说什么、篇幅多长、最后要有行动引导。模型生成的每一步都有了依据。4.2 案例从一段会议记录中提取待办事项普通版提示词“帮我总结一下这个会议记录〔粘贴会议记录〕”这可能会得到一段“本次会议讨论了……双方表示……”的流水账式总结。对于需要快速跟进的人来说这种总结没有太多可操作性。优化版提示词“这是一份产品周会纪要。请以项目助理的角色提取本次会议的核心信息按以下结构输出讨论主题每条不超过15字最终结论明确是谁拍板、结论是什么待办事项清单表格形式负责人、事项、截止时间风险事项需要升级或特别关注的问题 不要输出任何推测性内容只基于纪要原文提炼。”对比非常直观前者是“总结”后者是“信息结构化”。后者输出的待办事项清单能直接导入项目管理工具或工作群节省了再整理一遍的时间。这就是提示词工程在实际工作中的直接效率提升。5. 常见问题与排查技巧实录5.1 输出不稳定、格式错乱怎么办如果你发现同一个提示词在不同时间、不同会话里给的输出质量波动很大先别怀疑模型“坏”了很可能是你的提示词中缺少格式约束。解决方法是回到技巧2把“输出格式”明确写死。另外很多AI产品有“重新生成”按钮但你只是在同一个问题的平行答案里反复横跳不如换个思路借鉴上一次输出中哪一段是好的然后在提示词中针对性地写“保持上一版第二段的风格重写整个内容”。这个方法在创作类任务中非常有效。5.2 模型“一本正经胡说八道”怎么防大模型有时候会为了给出一个完整答案而生成看似合理但实际错误的内容这个现象被大家戏称为“幻觉”。在关键事实类任务中最有效的防线是我的模板库中提到的那条约束“只基于提供的信息作答如果没有相关信息请明确说明不知道不要推测”。这句话虽然简单但对减少“脑补”有明显帮助。另外一个进阶做法是给模型提供“可验证路径”。比如让它输出答案时附上推理依据或数据来源你再人工核验一次。5.3 上下文窗口不够用怎么办当你的项目资料太长塞不进提示词的时候有一个两手准备的方案第一做资料预处理——用另一个AI会话先把长文档压缩成摘要再把摘要作为上下文给主会话第二在提示词中引用关键段落而不是全文——把需要模型分析的内容复制出来放进提示词里不要指望它能准确“回忆起”很久之前对话里提到的某个细节。这两个方法实测下来比盲目堆积上下文长度要划算得多。因为上下文窗口不是越大越好——过长的无关信息反而会稀释模型对关键信息的注意力。5.4 模板不生效时的排查顺序当你写完一个模板用它生成的效果不如预期时我建议按照以下顺序排查先检查任务指令是否具体——是不是又出现了“分析一下”“总结一下”这种模糊动词。再检查是否有输出格式——表格、要点、字数限制缺了哪个补哪个。接着检查负面约束——如果生成结果出现了你不想要的内容把它明确列入“不要做的清单”。最后检查示例——如果风格始终跑偏给一个有代表性的示例做锚点。绝大多数情况下做完这四步排查提示词的质量就能提升一大截。我自己现在写新模板时几乎都会按这个顺序把初版模板过一遍省去不少和时间反复试错的成本。最后分享两个私人技巧第一个小技巧在提示词末尾加一句“如果我的要求有不清楚的地方请在开始前先向我提问确认”。这能很有效地防止AI埋头猛干结果方向完全跑偏的情况。它会先问变量、预算、受众等信息你再回答一轮后续生成质量会大幅提升。第二个小技巧定期整理自己用过的优质提示词分门别类存在备忘录或笔记工具里。这个动作长期做下来你会积累一份非常可观的、完全适配自己工作流的模板库。我这些年摸索下来最大的感触就是提示词工程不像别的技术它没有太多依赖特定工具的硬门槛核心就是一套思考方法和持续积累的模板资产——谁先把它体系化谁就先享受到AI带来的效率红利。