同样是让AI写一份营销文案有人得到的是一堆正确的废话有人拿到的是改改就能直接投出去的内容。差别不在模型而在于那句发出去的话——也就是提示词。做提示词工程这一年多我的体感是这东西门槛不高但细节极多属于典型的“一听就懂一写就废”很多时候不是模型不行是你给它划的道不够清楚。这篇就把我踩过坑、试过错之后沉淀下来的10个技巧一次性整理出来每个技巧都配上可以直接复制的模板文末还有一套组合好的模板库照着改就能用。1. 先弄懂一个关键问题提示词到底在做什么1.1 模型的“下一个词预测”机制决定了提示词的重要性很多人在写提示词的时候把模型当成搜索引擎、当成数据库甚至当成一个会读心术的人。一旦意识到大模型的底层机制是“根据上下文预测下一个最合理的词”很多困惑都会迎刃而解。以我常用的中文对话模型为例它的工作方式是读入你给的所有内容包括指令、背景、示例然后逐步生成后续文本。在这个过程里提示词就是唯一的上下文来源。你没写清楚角色它就默认以“万能助手”口吻回答你没给输出格式它就按训练数据里最常见的方式输出你没给示例它就自由发挥。这不是模型笨而是你给的信息熵太大它只能在无数种“合理回答”里猜一个。理解了这层机制你就知道提示词工程的目标其实很朴素把信息熵降到最低让模型只能“猜中”你想要的那个答案。所有技巧角色设定、格式约束、示例示范、步骤拆解本质上都是在压缩答案空间。这个底层逻辑想通了后面所有技巧就不再是孤立的小窍门而是一个完整的思路框架。1.2 提示词工程的本质一份与模型沟通的“技术协议”我更喜欢把提示词定义成“技术协议”。就像前后端联调需要约定接口格式一样你和模型协作也需要约定输入输出格式、职责边界、执行步骤。在实际工作中我发现把提示词当协议来写的人效果普遍比“想到哪写到哪”的人好得多。协议有几个特征有明确的责任方角色设定、有明确的请求方法指令动词、有明确的数据结构输出格式、有边界条件负面约束、长度限制。一个好的提示词模板其实就是一个结构完整的协议文档只不过它是用自然语言写的。做提示词工程还有个容易被忽略的视角它是“可维护”的。你写的一段提示词可能一个月后还要用。如果当时只是随手在对话框里敲了一段话下次要用的时候你大概率会重写一遍而且未必写得比上次好。而如果你把提示词当成协议一样版本化地保存、迭代、测试每次微调都有据可查效率和稳定性都会明显提升。这也是我强烈建议每个人建立自己的提示词模板库的原因。1.3 什么时候需要认真写提示词不是所有场景都值得花10分钟写提示词。我给自己划了一条线一次性问答随口说复用场景必须上模板。查个百科知识、突然想到一个问题随口问问这确实不需要什么技巧。但如果这个输出是要交付给客户的文案、是要发布的技术方案、是要用于决策的分析报告那提示词就值得认真写。还有一个容易被忽略的场景批量生成。比如你要写20条商品描述如果每一条都临时输入“再写一条”模型会在缺乏一致性的状态下越跑越偏。正确做法是先写好一套带占位符的模板把产品信息作为变量填进去这样20条输出的风格、结构、质量都能保持稳定。你自己改起来也快。2. 技巧1到技巧3让模型“听懂人话”的三大基本功2.1 技巧1角色锚定一句话解决“口吻不对”的问题最典型的翻车现场让AI写文案它给出了一段像说明书一样的文字。问题出在提示词里缺少角色设定。角色锚定的原理是模型在预训练时读过海量高质量的文本而这些文本是有不同“身份”的。当你指定“你是一位资深广告文案”模型内部的语言风格分布就会向这个身份偏移输出的词汇选择、句式节奏、专业程度都会趋近于那个角色的平均水平。角色锚定不是随便加一个头衔就行。我写过一个还算好用的模板你是一位在快消品行业从业8年的品牌文案策划服务过多个头部品牌 擅长用情感共鸣利益点结合的方式撰写小红书风格种草文案。 请为下面这款产品写一段150字以内的种草文案 [产品信息]注意角色信息里包含了两个关键要素身份背景能力风格。只说“你是文案”效果有限因为“文案”这个概念太宽泛了。加上“服务过头部品牌”“擅长情感共鸣和利益点结合”之后模型生成文本时的风格约束就具体多了。你自己用的时候可以按这个套路把角色描述写得再具体一些。2.2 技巧2指令动词前置第一句话就锁定动作同样一句话两种说法效果完全不同差“我有一段会议纪要你看看能不能帮我整理一下最好把行动项弄出来。”好“提取以下会议纪要中的所有行动项。”我一开始也没想明白为什么指令动词前置效果这么好后来用一个类比理解透了模型的注意力机制对句子开头的词汇赋予了更高权重。把最核心的动作指令——提取、总结、改写、对比、翻译——放在提示词开头相当于在请求一进来的时候就先锁定主任务后面那些背景信息、限制条件都会被放入“为了完成这个任务所需参考的上下文”的位置。反过来如果你把背景信息写在前头把行动指令窝在中间模型就很容易把背景当成主角。体现在输出上就是它大段复述你的背景或者给出一个与核心任务若即若离的回答。这个技巧是成本最低、见效最快的哪怕其他技巧你全不学只把动词前置做好输出质量都能上一个台阶。2.3 技巧3输出格式约束让结果“开箱即用”很多人拿到模型输出的第一反应是“还要我自己再整理一遍”。如果能提前设计好输出格式这个整理成本几乎可以降为零。格式约束的本质是替模型定义好答案的“数据结构”。比如我的一个高频场景是处理零散的会议纪要请整理以下会议纪要并严格按照这个格式输出 ## 主题 一句话概括本次会议核心议题 ## 关键决策 - 决策1 - 决策2 ## 行动项 | 负责人 | 任务内容 | 截止时间 | |--------|----------|----------| | 张三 | 输出新版UI草图 | 本周五 | ## 待讨论问题 - 问题列表这样我基本不用再看原文直接把表格复制到项目文档里就能用。做格式约束的核心原则是你希望模型“最终交付什么模样的东西”就在提示词里把这个模样完整画给它。Markdown表格、JSON、列表、固定段落结构都可以。格式越具体输出越稳定。3. 技巧4到技巧7从“能回答”到“高质量回答”的四个跨越3.1 技巧4Few-shot示范给模型一个“标准答案”当参照如果说前三招是让模型“听懂任务”那从第四招开始就是让模型“对齐标准”。所谓Few-shot示范就是在提示词里提供一到三组“输入-输出”的示例告诉模型你要的风格、深度、结构长什么样。举个例子我要把口语化的产品介绍改成正式文案直接说“改写得正式一点”模型可能改出三种风格。但加上一组示例请模仿以下示例的行文风格改写产品文案。 示例输入这个耳机续航贼强能听贼久音质也好。 示例输出该耳机拥有长达30小时的持久续航表现音质调校兼顾低频深度与高频延展可满足通勤、运动等多元场景的聆听需求。 今天需要改写的文案这个牛奶特别好喝营养高孩子爱喝。模型有了参照物输出的句式、用词密度、专业程度都会向示例靠拢。这个技巧的道理很朴素模型在学习阶段的“类比能力”远比抽象理解能力强。给它一百个字描述风格不如给它二十个字的好例子。需要注意示例的质量必须高。一个风格混乱、带有错误的示例会把所有输出都带偏这比不给示例还糟糕。3.2 技巧5思维链提示让复杂推理不再胡编乱造如果你让模型一步到位回答一个需要多步推理的问题它很容易在中间某一环出错然后一本正经地往下编。这是因为模型的自回归生成机制决定了它一旦在中间步骤产生了错误假设后续内容都会基于这个错误假设展开。思维链Chain of Thought的解法是把推理过程显式地拆成步骤让模型一步一步地走。注意不是在提示词里写“请一步一步思考”就完事了关键是你要替它规划好步骤请按以下步骤分析“2023年某消费品牌销量下滑的可能原因” 第1步列出该行业销量下滑的常见因素市场、产品、渠道、价格、竞品、外部环境等 第2步针对每个因素结合用户提供的信息判断是否匹配 第3步标记出匹配度最高的2-3个因素 第4步根据这些因素给出可落地的数据分析建议 请逐步输出不要直接给结论。用过几次后你就知道这种方式的输出哪怕结论是错的推理过程也是可审计的。你能看到模型基于什么依据做出判断哪里跑偏了也容易定位。对于需要严谨性的场景——数据分析、方案对比、技术排查——思维链几乎是必选项。3.3 技巧6任务原子化把大任务拆成模型驾驭得住的小步骤一次让模型“写一篇完整的行业分析报告”得到的大概率是一篇结构完整但内容单薄的“空架子文章”。这不一定是模型能力不行而是任务跨度过大模型在有限的上下文生成窗口内很难全程保持高质量输出。任务原子化的思路是把一个大任务拆成多个模型“单次能驾驭”的小任务分步推进。写报告就拆成先写大纲、再逐段展开、最后统一润色。写方案也同理。举个工作中的实际用法请分3步完成一份“新手如何入门提示词工程”的科普长文 第1步先列出这篇文章的详细大纲包括每个章节的核心观点和想表达的关键词 第2步等待我确认大纲后再按大纲逐章展开 第3步全部章节完成后用口语化、接地气的风格润色全文 请等待我的指令再执行下一步。原子化的另一个好处是每个步骤都有检查点。大纲不满意就改大纲不用推倒重来。对于新手来说我建议所有超过800字的生成任务都走这种模式别嫌麻烦多一轮确认比你生成三版整文再返工要快得多。3.4 技巧7负面约束明确“不要做什么”同样关键大部分人在写提示词时只写“要什么”很少写“不要什么”。负面约束的价值在于排除那些模型训练数据里“概率最高但你不想要”的输出模式。比如让AI写一道菜谱如果你不约束它大概率会给你一个“标准但无聊”的版本如果你说“不要使用常见套路化开头不要推荐需要特殊厨具的步骤不要用‘少许’‘适量’等模糊词汇”输出的实用度会立刻提升。我常用的一组负面约束是这样的请为我写一份家庭版红烧肉的完整做法。 要求 - 不要用“少许”“适量”等模糊词汇所有调料给出大致克数 - 不要推荐高压锅、料理机等额外厨具 - 不要写“首先”“然后”“接着”等公式化连接词 - 控制在300字以内 - 如果某一步容易失败直接在该步骤后方用括号标注关键点负面约束要注意度一次5到6条以内效果最好。加太多约束模型会显得畏手畏脚输出变得僵硬甚至干瘪。另外负面约束要具体说“不要写得太差”毫无意义说“不要使用成语”才是有效约束。4. 技巧8到技巧10让输出更可控的进阶三招4.1 技巧8上下文注入给模型补齐“行业常识”很多场景下模型输出不够好不是指令不清而是它缺信息。大模型的训练数据是有截止时间的而且你的项目背景、用户画像、品牌调性它一概不知道。上下文注入就是在提示词里主动把这些信息“喂”给模型相当于给它装上一个外挂记忆。举个例子同样是生成客户投诉回复邮件不注入上下文的提示词写出来的是“正确的废话”而注入以下信息之后完全不一样背景信息 - 目标用户35-40岁妈妈群体注重性价比对儿童用品安全标准敏感 - 品牌调性温暖、严谨、不推诿 - 事件经过用户为孩子购买的防晒衣连续穿了两次后腋下开线用户情绪较激动 请基于以上背景写一封回复邮件。要求 - 先共情再给解决方案 - 说明质检流程但不找借口 - 结尾给出可追踪的售后处理编号同样一个任务有上下文和没上下文输出的可交付程度是两个量级。做上下文注入时有个小技巧把最重要的信息放在提示词靠后的位置。模型对越靠近末尾的上下文记忆越清晰这个和人类阅读习惯有点颠倒是实测出来的经验。4.2 技巧9自评与修正循环榨出最后20%的质量模型第一版输出通常只能达到“满意的80%”。以前我总想着把提示词写到一版到位后来发现在复杂任务上这几乎不可能。更实用的办法是接受第一版是草稿然后利用模型自己的审稿能力去迭代。这个技巧的核心是让模型在“生成者”和“审稿者”两个角色间切换请先写一段200字左右的公众号推文开头主题是“如何养成早起习惯”。 写完后请切换到资深内容编辑的视角检查你的输出 1. 指出开头部分是否有套话并逐一标注 2. 指出是否有缺乏具体例证的空泛表达 3. 指出是否有读起来节奏拖沓的句子 最后结合你的检查结果输出一版修订后的开头。这种方式等于在单次对话里内生了一个“作者-编辑”工作流。实测下来第二版输出在信息密度和语言节奏上都有明显提升。如果你觉得一版还不够好可以把这个过程再循环一到两次但一般两轮之后提升就非常有限了再往后纯属浪费token。4.3 技巧10多轮迭代追问把一次对话变成深度协作最后一个技巧最简单也最反直觉不要指望一个回合拿到最终答案。很多人把大模型当成“一次性搜索引擎”问完一个问题拿到答案就结束对话。但在复杂任务里真正有价值的是把这个过程变成一段多轮对话。我的习惯是按“发散-聚焦-验证”的三段式来推进。第一轮先用开放问题探索范围第二轮针对探索结果聚焦到具体方向第三轮让模型在聚焦后的方向上给出更细化的方案。比如研究“用大模型做客服”这个主题第1轮请列出大模型在客服场景中的5个可能应用方向。 第2轮针对第3个方向“智能工单分类”请分析落地时需要的技术组件和可能遇到的困难。 第3轮基于上面的分析输出一份最小可行产品的功能清单和开发排期建议。每一轮都在上一轮的输出基础上继续深挖信息深度会远超一次性问一个宏大问题。这背后的逻辑是模型的单次输出上限有限但对话历史可以累积多轮追问相当于给模型不断追加“更精确的上下文”。5. 模板库六个场景直接抄作业5.1 模板一营销文案改写你是一位资深品牌文案擅长把平淡的产品描述改写成有画面感、 有情绪推动力的营销文案。 原始素材[粘贴原始产品描述] 目标平台[小红书 / 公众号 / 电商详情页] 目标用户[填写目标用户的典型特征] 请改写文案要求 - 保留原始素材中的全部核心信息不虚构参数 - 控制字数在[100-300]字之间 - 不使用“极致、卓越、非凡”等空洞形容词 - 每一段都要有一个具体的场景或画面5.2 模板二资料提炼总结请将下面内容提炼成一篇结构化摘要严格按此格式输出 ## 核心结论 不超过3句话 ## 关键信息 - 数据/事实1 - 数据/事实2 ## 行动建议 - 基于以上信息给出具体可执行的建议 ## 信息缺口 - 这份材料里缺失但会影响决策的信息 待提炼内容 [粘贴原文]5.3 模板三技术问题排查我在[技术栈/环境]中遇到了[问题描述]以下是排查情况 [粘贴报错信息/相关日志/最小复现代码] 请按以下步骤分析 1. 根据报错信息列出可能的原因按概率从高到低排序 2. 针对排前两位的原因给出具体的验证方法命令或代码 3. 给出修复方案并说明修复后可能带来的影响 4. 如果现有信息不足以判断请明确告诉我还需要提供什么信息 注意不确定的地方直接说“不确定”不要推测性回答。5.4 模板四学习/知识梳理你是一位擅长费曼学习法的老师用最通俗的方式帮我理解[知识点名称]。 请按以下结构输出 1. 用一句话说明这个知识点解决什么问题 2. 用生活化的类比解释核心原理 3. 列出常见的3个误区每一条给出正确理解 4. 出一道练习题帮助我自测并在最后给出答案解析 如果某个环节用文字难以表达请直接告诉我要用什么工具辅助理解。5.5 模板五代码编写与调试你是我的结对编程伙伴技术栈是[语言/框架]编码风格要求[简洁/可读性优先/性能优先]。 任务[描述功能需求] 请按以下方式输出 - 先说明你的实现思路和数据结构选择再给代码 - 为每个关键函数添加注释说明输入输出和边界情况 - 最后列出这段代码可能的性能瓶颈和优化方向 - 如有输入校验需求在代码中体现 约束 - 不使用外部依赖除非我明确允许 - 不写超出需求的防御性代码5.6 模板六创意生成我需要为[项目/产品]想一个[名字/口号/主题]方向是[风格描述]。 候选要求 1. 容易记住中文字数在[长度]以内 2. 能体现核心特点是[特点] 3. 避免与[竞品/谐音敏感词]冲突 4. 不要使用已经被用滥的网络热词 请输出20个候选分成3组 - A组可以直接用的 - B组需要稍微调整的 - C组剑走偏锋但可能出彩的6. 我在实战中踩过的坑与补救办法6.1 提示词过长模型“捡了芝麻丢了西瓜”最开始写提示词容易用力过猛角色设定加背景介绍加格式要求加示例加负面约束一口气写上几百字。结果模型像是被信息淹没了一样开头一个多小时的关键指令反而执行得不好。后来我研究了一下机制发现模型虽然在“理解”所有上下文但它对分布在不同位置的指令的遵循程度有明显差异。我的补救办法是引入结构标记把提示词按功能分区每个区域加上一级标题和分隔符。# 指令区域 [核心任务和动作] # 背景区域 [必要的上下文信息] # 格式区域 [输出的格式模板] # 约束区域 [不得超过的负面清单]这样模型能更清晰地识别每一部分的功能定位。同时提醒自己背景区域能短则短指令区域绝不省字。一条不怎么需要的背景宁可先删掉等模型反馈缺信息再加回来。6.2 把模型当成搜索引擎来用这个坑几乎所有新手都会踩问一个时效性极强的问题模型给出了一个看起来很完整的回答里面甚至还有具体的数据和引文结果一查全是编的。这不是模型“撒谎”而是它的训练数据有截止时间而且它在无法获取真实信息时会基于概率补全一个“最像样”的答案。踩过几次之后我的处理方式是在涉及时效性信息的提示词中主动加上这样一句——“如果该信息超出你的知识范围或存在时效性风险请明确说明‘我不确定’不要给出推测性回答”。这个约束能治本吗不能完全治本但确实能大幅减少一本正经胡说八道的情况。更稳妥的做法是让模型做分析和结构整理把事实核查环节留给自己或者另用检索类工具来补。6.3 过度约束导致输出僵硬干瘪有一段时间我沉迷于堆积负面约束一条提示词里能有十几条“不要”。结果输出的内容确实不踩雷了但也彻底没有了灵气。每句话都像在小心翼翼地完成任务缺乏自然感。后来我调整了思路负面约束控制在最关键的几条同时增加正向引导。与其说“不要用空洞形容词”不如说“每一段都要有具体的场景或画面用名词和动词驱动表达”。正向引导给了模型一个可以努力的方向而不是只给它一个禁区。对比下来输出质量提升非常明显。6.4 模板不是万能的需要按模型微调同样的模板在A模型上好用换到B模型上效果可能打七折。不同模型的指令遵循能力、上下文窗口大小、对复杂格式的理解能力都有差异。有一次我把一个在对话模型上调试很顺的长模板直接搬到另一个模型的API上结果输出格式完全乱套。现在我维护模板的习惯是每个模板备注两个字段——“适配模型”和“调试版本”。换模型时必须先跑一遍测试用例再正式投入使用。别嫌麻烦好的提示词模板本质上是一份需要持续迭代的代码不测试就直接上生产环境翻车的是自己。最后再说一个我坚持了很久的小习惯每次调试出一版好用的提示词之后我都会用版本号命名并把调参过程里的失败尝试记在备注里。这些当时觉得没有价值的“失败记录”过了一个月再回头看往往比那些成功的模板更能帮自己理清思路。提示词工程不是什么玄学它本质上就是“把需求说清楚”的学问。你在日常沟通中能做到多清晰在写提示词时就有多大的提升空间。这10个技巧只是入口真正有用的东西还得靠你在大量实际任务里一点点磨出来。