我最早玩提示词的时候干过一件特别傻的事对着 ChatGPT 说“帮我写一个咖啡店的营销方案”然后它回了我一份放之四海而皆准的万能套话。我当时觉得这 AI 也就那样。后来我换了个写法把门店位置、客单价、目标人群、附近竞品、本次活动的预算和时间全部写进去它给出来的东西直接就能改着用。那一瞬间我想明白了一件事——提示词不是咒语是需求说明书。你描述得越清楚AI 交付得越准确这件事在 ChatGPT、DALL·E、自定义 GPT 上都成立。这篇是“精通 AI 提示”系列的第一篇我打算把提示词最核心的底层逻辑、一套能直接套用的公式、ChatGPT 和 DALL·E 这两个高频场景的实操写法以及自定义 GPT 的配置思路一次性讲透。不管你之前有没有用过 AI只要你希望 AI 少说空话、多干活这篇文章都值得看完。1. 提示词不是咒语先搞懂GPT到底怎么“理解”人话的1.1 “思考”的本质是接龙很多人对提示词的误解在于以为 AI 像人一样在“听懂”你说的话理解你的意图然后思考出答案。其实大语言模型的工作机制本质上是“根据前面已经出现的文字预测下一个最可能出现的文字”。你可以把它想象成一个极其擅长接龙的人你说“今天天气”它有极大概率接“很好”再往后接“适合出门散步”。它的每一步输出都在做“下一个字/词是什么最合理”的预测。这个原理决定了三件事。第一模型没有“意图”概念它不知道你真正想要什么只知道你给的文字和最佳回答之间的统计关联。第二模型的输出质量天然依赖输入文字的质量你喂给它的上下文越充分、越不模糊它在“接龙”时锁定的方向就越正确。第三提示词不是为了让 AI “更聪明”而是为了让它“别跑偏”。把这三件事想明白你就知道为什么同一道题有人写出来的提示词让 AI 跟变身了一样有人写出来的提示词只能得到废话。1.2 同一个问题有人答得好、有人答得差我先放一个对照都是我真实试过的写法。第一种写法是“帮我写一份周报。”这种提示词的问题在于信息量太少AI 不知道你是哪个岗位、这周做了什么事、给谁看、要什么格式它只能“平均化地”输出一段四平八稳的文字。第二种写法是“你是互联网公司的一名运营专员请将我这周的工作内容改写成一份周报读者是部门主管。我的工作内容如下1. 上线了 3 个活动页面2. 处理了 12 个用户反馈3. 整理了竞品分析。要求用分点形式每条不超过 50 字突出结果数据和下一步计划。”第二种写出来基本可以粘贴进工作群。差别不在 AI而在提示词提供的“上下文密度”。这也解释了为什么提示词工程这门“手艺”会兴起它本质上是把人类的模糊需求翻译成模型容易对齐的、结构化的、信息充分的表达式。你可以把提示词想象成给一位临时工写工作说明书。“下午帮我处理一下客户的事”这种话任何靠谱员工听了都会头疼但如果你说明客户是谁、前因后果、预算范围、目标结果、交付格式他就能一次性给你接近满分的产出。AI 也是一样。2. 一套能直接套用的提示词公式六要素拆解2.1 六要素速查表我发现很多教程喜欢教人背一堆“高级模板”其实是把一个简单问题复杂化了。所有能稳定产出高质量回答的提示词拆到最底层都逃不开六个要素角色、任务、背景、约束、格式、示例。要素说明示例角色给 AI 一个身份限定它用谁的立场回答你是一名资深产品经理任务明确动作动词要具体请写、请总结、请翻译、请生成背景提供必要信息让回答有针对性面向新用户产品是记账 App约束设定边界比如字数、风格、禁忌不超过 300 字口语化禁止使用感叹号格式规定输出形态用 Markdown 表格、JSON、分点列表示例给 1~2 个范例让模型模仿参考这个例子按同样结构改写我习惯在写提示词前先在草稿纸上把这六项列一遍。不需要每一条都写得完整但背景和约束这两项永远值得多花 30 秒。背景让回答“准”约束让回答“可用”其他要素是锦上添花。还有一个容易被忽视的点任务应该是一个动作不是一种期待。“给我写一下产品分析”是任务“你帮我在 10 分钟内梳理出竞品的三点差异化优势并给出结论”也是任务后者更接近一个员工接到的指令。2.2 三个常见误区和立刻生效的修正写法误区一只给任务不给背景。典型例子是“写一封请假邮件”。AI 写出来大概率是一封标准模板你改完的时间不如自己写。修正方法是补上对象、原因、时间、语气“写一封请假邮件发给直属领导从明天起请假 3 天原因是家里老人生病需要陪护语气诚恳愿意把手头工作交接给同事。”这类信息一补输出立刻从模板变成成品。误区二堆砌赞美词和恐吓词。有人喜欢写“请发挥你全部的聪明才智”“你是世界顶级专家请认真回答”这些话在多数场景下并不会带来质量提升。模型不会因为被夸奖而变聪明它只在意你给的背景和任务是否清晰。正确的做法是删掉这些语气词把时间花在补充约束上。误区三一条提示词同时塞了三四个任务。“帮我写一份方案再生成一个配套的 PPT 大纲顺便把最近的热点列出来最后总结一下。”模型在长提示词里很容易“平均用力”最后每个任务都完成得很浅。一条提示词只聚焦一件核心事。如果确实有多个任务拆成几轮对话每轮只干一件事。这六个字可以当口诀记精准比华丽重要。3. 让ChatGPT“像员工一样干活”三个实战提示策略3.1 角色先行用身份锁定语气和立场在任务开始前先给 AI 一个身份是我使用频率最高、见效最快的策略。它的原理并不玄妙角色本质上是一层“立场过滤器”。当你告诉模型“你是一名有 10 年经验的儿科医生”时它在接龙时会更倾向于调用医学知识体系和专业术语当你告诉它“你是一位孩子妈妈”时它会更自然地使用生活化语言。身份会影响措辞、信息选择和处理重心。实操时我建议把角色写成一个“画像式身份”而不是一个简单的职务词。举例来说与其写“你是设计师”不如写“你是一名重视留白与信息层级的品牌设计师作品风格偏向极简和现代”。越具体的身份越能锁定模型在大量训练数据中对应的风格子集。如果你写的身份过于宽泛比如“专家”这种词模型反而不知道调取哪个领域的知识。3.2 分步引导把大问题拆成小步骤我踩过的一个典型大坑是想让 AI 做一件复杂的事就直接把整件事扔给它。比如“帮我策划一个新品的发布方案”这个任务其实包含目标分析、用户定位、渠道选择、内容节奏、预算分配等许多子任务模型一次全做结果必然是每部分都只写了半桶水。后来我改成“分步引导法”逻辑很简单把一个大任务拆成连续多轮对话每一轮是在上一轮结果基础上继续深化。第一轮先问“我要为一款面向大学生的笔记类 App 做新品发布5 月底上线预算 20 万先帮我分析一下这个产品最值得聚焦的三个传播主题。”第二轮再喂给它三条主题问“围绕投票最高的主题给出一个 7 天传播日历。”你会发现每一轮的输出质量都显著高于一次性全问。这个方法背后对应着模型的“注意力机制”上下文越长、指令越具体模型越容易偏离重点。一轮只解决一个问题等于反复把注意力拉回目标。对于内容创作者、产品经理、运营这类重度使用 AI 的人群分步引导几乎能直接改写他们对 AI 的体验。3.3 用示例代替形容词很多人想让 AI 按某种风格输出会写“要写得生动有趣一些”这属于无效指令。“生动有趣”是主观描述模型没有一个可靠的参照点。更有效的方式是给示例。比如我想让 AI 模仿某类种草文案就摘一段参考文案给它“参考这段写作节奏和口吻按同样的风格写另一款耳机的新品介绍。”模型通过示例学会了字节层面的排列规律输出风格能贴合七八成。这个技巧在“改写”类任务上尤其好使。我的通用模板是先把原文贴出来再补一句“请把上面的内容改写成以下风格的版本”的指令最后外加一段参考样例。没有样例时我会让 AI 先“自我生成”一个样式“先写一个 20 字的示例风格描述再按这个风格改写正文。”本质是先在对话中建立风格基准、再完成产出这套思路在后续讲自定义 GPT 时也会用到。4. 给DALL·E写提示词不用造句用“镜头语言”4.1 图像提示词的五个维度很多人第一次用 DALL·E 画图时第一反应是像写小说一样写一段描写比如“一只鹈鹕骑自行车在路上画面很美”。这种提示词的失败率非常高。因为图像生成模型和语言模型对文字的解码方式完全不同它在输出时会把文字映射成“可见的视觉要素”你提到“鹈鹕”它知道要画嘴袋很大的鸟你提到“自行车”它知道要画两个轮子的车但“骑”这个动词没有天然对应的视觉锚点——到底是谁的脚放在脚蹬上翅膀放在哪里身体重心怎么保持模型并没有这个概念。所以我后来把图像提示词拆成五个维度来写主体、动作细节、环境、光线与氛围、风格与媒介。主体是画面主角动作细节要落实到“身体部位动作对象”环境交代地点和背景光线与氛围决定照片质感风格与媒介决定画面属于照片、油画、3D 渲染还是平面插画。另外我会额外加一条“构图提示”比如“特写镜头”“广角视野”“居中构图”这相当于给画家布置取景框。4.2 实操拆解让鹈鹕骑上自行车且不翻车最近网上总能看到一句“鹈鹕骑自行车提示词”它其实是个很好的教学素材。我第一次尝试时写的是“随便画一只鹈鹕骑自行车。”结果 DALL·E 给我画了一只大鸟站在自行车旁边或者一只鸟坐在车座上手握着车把但脚根本没够到脚蹬。原因就是上面说的动词没被转译成肢体动作。第二次我改成一只褐色的鹈鹕骑着一辆复古自行车蹼状脚踩在脚蹬上翅膀搭住车把嘴巴微张正在一条老城街道上行进傍晚金色的逆光背景虚化浅景深写实摄影风格。这版输出一下子变成了“能看得过去”的公路片画面。差异的根源在于我把动作“骑”细化成了三个可描绘的部分——脚的位置、翅膀的位置、整体的运动姿态。这就是图像提示词和文字提示词最大的不同你要做的是“分镜头描述”而不是“氛围描述”。再补充一个中文写图像提示词的通用心得中文提示词对 DALL·E 也能理解但对“动作关系”的解析还是容易含糊所以我一般会写英文关键结构或者先用 ChatGPT 把中文描述翻译成“视觉化抽词”的英文短语再让 DALL·E 生成。别让模型猜你的意思把所有可见细节都给它。5. 自定义GPT把常用提示词封装成一个自动化搭档5.1 本质不是魔法是封装自定义 GPT 听起来很高级有点像在创造一个专属 AI 小助手但本质上它做的是三件事把一套固定提示词封装好、把需要反复使用的知识文件带进去、把输出格式预定义好。你可以把它理解成“预制菜套餐”——不是每次下厨都从买菜开始而是把配方、流程、调料比例全部固化成一套标准品每次直接拿出来执行。举一个场景你每周三都要写项目周报每次都要从一堆资料里提取进展、问题、计划。传统做法是你每次把素材贴给 ChatGPT再写一次“请帮我提炼成周报格式”。自定义 GPT 的做法则不同你在配置页写清楚“你是一名项目管理助理输入素材后自动输出周报必须包含本周完成、风险事项、下周计划三部分语言简洁克制”再把过去几份周报的脱敏版本作为示例文件导入。以后你只要把素材丢进去它就按标准执行。提示词此时不再是“一次性输入”而是一个可复用的资产。5.2 从零搭建一个“周报生成助手”的六个步骤第一步明确核心用途。只解决一个高频需求不要贪多。周报生成助手的核心就是“素材到周报的转换”。第二步写系统提示词。我会直接把前面说的六要素公式填进去角色是“项目管理助理”任务是“从素材中提取并整理周报”背景规定“面向项目主管强调结果和风险”约束是“每条不超过 100 字不出现套话”格式是“三项分点列表”。第三步准备知识文件。把过去写好的几份有代表性的周报上传让 AI 学习你的习惯隐私数据记得去掉名字和敏感参数。第四步设置开场白和引导问题。开场白如“把素材发给我我来生成周报”引导问题如“需要我侧重风险分析吗”这能让使用者不用想怎么提问。第五步实际测试并迭代。运行几次发现输出偏离预期就在配置中增加约束比如“不要写‘未来一周将继续努力’这类空话”。第六步发布并小范围使用。一开始只在团队内试用收集反馈后再优化。整个流程大约半小时能跑完但能节省后续无数个周三下午的时间。6. 提示词翻车高频问题排查表与实用心得6.1 四个典型症状和对应解法在我接触大量提示词使用者后发现大家遇到的问题出奇一致。我把最高频的四个“翻车现场”整理成下表方便你对照排查。症状可能原因解法回答看着很专业但完全没法用任务给了但背景和约束缺失补充目标、对象、字数、交付格式越改越偏甚至开始胡说任务太复杂或上下文过载开新会话把大任务拆成多轮小任务输出风格永远很“AI感”没有风格参考只有形容词给示例段落或先用“一句话说明风格”的预热提示同一对话里前后不一致长对话漂移早期信息被稀释关键要求重新声明核心规范写进角色设定其中“越改越偏”这条最容易让人对 AI 失去信心。我自己的经验是当一轮对话里连续两次修正都没有达到预期时最快的路径不是继续在那个对话里改而是新建一个对话把最有价值的修正意见直接写进初始提示词。这背后的原因和模型的结构有关长对话里早期信息会被后期指令冲淡你需要“重置注意力”。6.2 两个我一直在用的日常习惯第一个习惯是“写完提示词先当一次 AI 读一遍”。我会把刚写好的提示词从头到尾读一遍假装自己是个毫无常识的新员工看看能不能准确知道要做什么、产出什么、做到什么程度。如果我自己都需要猜说明提示词还不够清楚。这个 30 秒的检查能在发送前解决一半跑题问题。第二个习惯是“建立自己的提示词模板库”。好用的提示词不要只停留在聊天记录里我会把它们按类型存起来比如“改写类”“总结类”“分析类”“图像类”附上一句话说明适用场景。时间久了你不用每次思考怎么写直接调模板。这也是我计划在下一篇详细展开讲的主题——当你有了一堆可靠的提示词模板后怎样把它们组合成更复杂的 AI 自动化流程。我个人过去一年最大的感悟是AI 的能力边界是一直在变化的但“把需求说清楚”这件事永远是用户这边的基本功。把功夫下在提示词结构、上下文组织、细节约束上比到处追逐新工具、新版本更值得。这一篇算是地基下一篇我会继续拆解进阶策略比如多轮对话设计、Agent 化的工作流以及让多个 AI 角色协作完成复杂任务的具体方法。在那之前你可以先从今天这套六要素公式开始改起挑一个平时最容易写废的提示词补上背景和约束重新发给 AI 试试。结果大概率会让你愣一下。