上个月有个朋友跑来问我“提示词到底该怎么写我每次问出来的东西都像在挤牙膏又空又泛。”我让他把平时用的提示词发过来一看好家伙满屏就一句“帮我写个方案”。这种用法别说是大模型连一个刚入职的实习生都未必听得懂。这其实就是提示词工程还没入门的典型状态。提示词工程不是什么高深理论也不是某个模型的专属玩法。它的本质是把“人的需求”翻译成“模型能严格执行的指令”。同一个模型用一句“写个文案”和用一段结构完整的提示词产出的质量差距可能比两个不同型号的模型差距还大。这篇文章我就把自己这段时间反复用、反复踩坑后沉淀下来的10个提示词技巧连带一套可以直接抄走的模板库一次性分享出来。每个技巧我都会说清楚原理、给出模板、附上具体的案例照着改就能用。这10个技巧不是什么花把式全部是我在真实工作流里验证过的。适合正在用大模型做内容、写代码、做数据分析、搞学习研究的这类人也适合刚接触提示词、被网上各种复杂框架绕晕了的新手。1. 提示词工程的核心逻辑先搞清楚模型是怎么“理解”你的1.1 不要把提示词当成搜索词要当成指令很多人写提示词其实是把搜索引擎的输入习惯带过来了。搜“年度总结怎么写”搜索引擎会给你一堆文章链接你点进去自己找答案。但大模型不是搜索引擎它是一个“按指令生成文本”的系统。你说“年度总结怎么写”它只能根据这句话去猜你可能想要什么于是给你一堆正确的废话要有宏观布局、要分模块、要突出重点——听起来都对就是没法直接用。真正有效的提示词必须包含足够多的上下文、明确的任务边界、期望的输出格式。你得替模型节省“猜”的成本。好比你交代一个下属做事只说“把这个事办一下”和“明天下午三点前把这周五个客户的历史沟通记录整理成一张表字段包括联系人、最近联系时间、推进阶段、下一步动作”这两种命令的执行质量完全不在一个量级。1.2 十个技巧背后的统一框架这篇文章里要讲的10个技巧表面上是散装的背后其实是一套统一的框架任何一条合格的提示词都可以拆成五个必要变量——角色、任务、背景、格式、约束。角色是让模型站在哪个视角说话任务是让它干什么背景是告诉它要基于什么上下文格式是规定输出长什么样约束是明确什么不能做、边界在哪儿后面所有技巧本质上都是在把这五个变量中的一个或多个做到极致。你把这个框架想通了网上下载再多的提示词模板你也能自己改、自己造。很多人觉得提示词难不是因为逻辑复杂而是因为从来没人告诉他这背后就这五件事。2. 十个即拿即用的提示词技巧附模板库2.1 技巧一结构化填空把模糊问题变成填空题目最常见的烂提示词是“帮我分析下市场”。最优秀的提示词是“你现在是一名消费品行业分析师背景是某某新品牌要进入咖啡液赛道请你从市场规模、竞争格局、消费者画像、渠道特点四个维度做分析每个维度给出关键结论和依据总字数控制在300字以内”。这两者的差别大到没法比。你给模型的信息越明确它回馈的质量越稳定。这就是第一个技巧叫结构化填空。你可以把提示词模板设计成一组待填的空格每次使用只替换变量不改变整体框架。请你作为【角色】完成以下任务【任务】 背景情况【背景信息】 需要回答的问题 1.【问题一】 2.【问题二】 3.【问题三】 输出要求【格式与字数约束】我用这个模板写过大量的周报邮件。以前写一封回复客户的邮件我可能要对着屏幕憋十分钟现在只需要把客户名字、对方提出的诉求、我方最终方案填进去模型两三秒就能给出一封行文得体的邮件。等于我把“思考怎么写”这部分工作前置到了模板设计阶段后面每次用动脑成本极低。2.2 技巧二角色设定一句话决定回答的“专业分”角色的力量很多人都低估了。我做过一个简单对照测试让模型“介绍下某产品的营销策略”它给的是教科书式的大路货。改换成“你是一家面向年轻女性的新消费品牌的营销总监手下有5个人的小团队预算只有50万”再问“介绍下某产品的营销策略”输出立刻变得具体、可落地甚至带上了“预算不够就做私域”这种实操判断。为什么差别这么大因为角色设定给模型提供了“说话立场”和“知识筛选标准”。它一旦进入特定角色会主动调用与这个角色相关的知识结构和表达习惯筛选掉另外一些它觉得不重要的内容。这个效果比你在提示词里写一百遍“要专业一点”都管用。角色设定的核心模板我一般这么写你是一位【职业身份】你有【年限/资历描述】你擅长【核心技能/领域】。 请站在【某类立场】的角度解答以下问题【问题描述】 回答时请注意【补充1-2条对这个角色特别重要的关注点】需要说明的是角色设定不要胡编乱造。你说“你是诺贝尔经济学奖得主”和说“你是有10年宏观经济学研究经验的分析师”后者的回答往往更实用。因为诺贝尔奖得主这个标签太大、太宽泛模型反而不知道调用哪部分知识。角色的颗粒度越具体输出越稳。2.3 技巧三示例驱动比描述规则更好用的“两发子弹”在提示词里给模型看例子英文叫 few-shot。这是我自己最喜欢、也是实测下来最稳定的技巧。原理特别简单与其费尽口舌告诉模型“你要把内容压缩成要点”不如直接给它看两个“长句改短句”的输入输出示例它模仿起来比你想象中要精准得多。这个现象很像教新同事做表。你给他讲十遍“格式要统一、风格要简洁”他未必能理解。你丢给他两个已经做好的样例说“按这个样式来”他看一眼就懂了。模型也是一样它对自然语言描述的理解是概率性的但对模板的模仿能力极强。我会给你一些口语化、繁杂的句子请你把它改写成简洁、清晰的总结。 示例1 输入我们觉得这个方案其实挺不错的但在执行的时候可能还是有一些风险需要注意一下所以就想着大家一起开个会讨论讨论再说。 输出方案可行但存在执行风险建议开会讨论决定。 示例2 输入这次活动的效果我感觉还可以但是转化率方面的数据我们还没有统计出来得再等等看。 输出活动效果尚可转化率数据待统计。 现在请改写______这里面有个细节示例的数量两个够用五个也不嫌多。但示例覆盖的情况要有差异最好是“正例一个容易混淆的反例”组合。比如上面改写任务里如果其中一个示例是“已经足够简洁、不需要改写”的例子模型会更快学会分辨。只给清一色的示例它会倾向把所有输入都改得面目全非。2.4 技巧四步骤拆解把大任务切成一串小任务人的工作记忆容量大概只有四五个单位模型虽然没有这个生理限制但它在面对一个复杂多步骤问题时仍然容易答着答着就乱了。最典型的症状就是你让它“分析一份数据报告并提出优化建议”它前半段还在分析后半段突然变成了写行业趋势报告。解法是任务分解。不要让它一步到位先定义步骤让它按步骤走。这个做法跟你在工作里拆解项目的逻辑完全一致大目标太远小目标才有抓手。请按以下三个步骤回答 第一步简要概括【输入内容】的核心观点控制在2-3句话。 第二步结合【目标/标准】分析当前内容的不足列出3个问题点。 第三步针对每个问题点给出可执行的修改建议。注意步骤之间最好用“第一步、第二步”来标注并且明确说明每步的输出形式和长度。我同事第一次用这个模板时觉得太啰嗦但跑了一个月之后他说了一句话让我印象很深以前提示词写五百字都没指望模型听话现在写清楚步骤之后它出的东西基本不用大改。2.5 技巧五约束条件前置把“不做什么”也写清楚大多数人写提示词只会写“要什么”不会写“不要什么”。这其实是个很大的疏漏。模型在训练时接触过大量风格迥异的文本如果你不设置限制它会默认选取概率最高的表达方式可能是一二三四的条列式也可能是大段的散文。而很多时候我们需要的是“不要输出发散内容、不要使用专业术语、不要给过多背景铺垫”。约束条件放的位置也有讲究。别放在提示词最后一行要放在任务描述之后、输出要求之前。因为位置越靠前对模型后续生成过程的引导力越强。放在最后的话模型可能已经把发散的内容都生成完了再看到约束只能象征性地修几个词。任务内容______ 必须满足的约束 1. 不要出现任何专业术语用大白话解释。 2. 不要使用“首先、其次、再次、最后”这类连接词。 3. 如果信息不足直接说明信息不足不要编造。这个模板最常被我用在给非技术背景的领导写汇报材料。没有约束时模型特别喜欢放几个英文缩写领导看着难受我还得自己改。加上约束后输出直接能用。别嫌“不要什么”难写你愿意花30秒写清约束能省下30分钟改产出。2.6 技巧六拆解思考过程让模型“做题”而不是“直接给答案”这个技巧在圈内有个称呼叫“思维链”但我不太建议新手去追那些花哨的名字。你只需要理解一个现象当你要求模型“先分析再回答”时答案的准确性会明显提高。原因是模型自己也没有那么强的“一步到位”能力。你直接问它“这个方案的风险是什么”它可能把常见风险背一遍。但如果你让它“先列出你如何评估这个方案的步骤再对应每一步给出风险判断”它就等于在做一道需要逐步推理的题每一步都有逻辑支撑最终结论就不是空口来的。请你完成以下分析。请在正式回答前先简单描述你的分析思路 1. 这个问题的核心变量有哪些 2. 分别从短期和长期看这些变量可能产生什么影响 3. 基于上述分析给出优先级判断。要注意这个技巧不是为了看模型“想什么”而是通过强制描述分析过程来提升输出质量。我自己实测在技术方案评估类的问题里用了这个技巧后答案的说服力至少提升一个档次。唯一的问题是输出长度会变长如果你有字数限制就让它“每个步骤只写一句话”。2.7 技巧七输出格式可编程把答案变成能直接用的资产你有没有遇到过这种情况让模型帮忙整理数据、生成列表结果它输出一大段话你没法直接放进表格还得手动二次整理。解决这个问题只需要一个很小的改动——在提示词里明确指定输出格式。格式指定得越详细效果越好。如果你只写“用表格输出”模型可能给你一个标题、两列数据了事。如果你写明表格的列名、行数、甚至是否包含表头它的输出几乎就是成品可以直接搬进文档或者数据库里用。请将以下信息整理为一张【三列表格】 表头分别为指标名称 | 当前数据 | 变化趋势 要求 1. 每个指标单独一行 2. “变化趋势”列只能填“上升”“持平”“下降” 3. 如有不确定的数据标注“数据缺失”。 原始信息______这个技巧对程序员特别友好因为在写代码场景里我经常让模型直接输出 JSON 格式的数据。只要在提示词里写清楚字段名和类型它输出的结果可以直接被脚本读取省掉了人工转录的时间和出错率。这不叫抠格式这叫做工程化思维。2.8 技巧八上下文前置先给背景再提需求很多人在日常对话里习惯先问问题发现答案不对再补充说明背景。这个习惯搬到提示词里会非常吃亏因为大模型在处理长对话时前面的信息重要性会衰减尤其当答案已经生成后你再补背景它只能在已有答案基础上微调改得很别扭。正确姿势是把背景信息放在最前面并且一次给够。这里有个判断标准——凡是背景信息省略了会改变答案方向的内容都需要前置。比如你要分析的是“某电商平台的一次促销活动”那就不光要说促销活动本身还要说明平台定位、活动时间周期、核心品类否则模型只能用通用的营销框架回答你。背景信息 - 产品类型______ - 目标用户______ - 当前阶段______ - 已掌握的资源______ - 核心问题/诉求______这个模板的结构很像写病历主诉在前现病史、既往史依次排开。你把信息按这套格式填进去模型对问题的理解深度会完全不一样。我踩过最大的坑就在这里以前写提示词喜欢“一句背景一句问题”结果模型经常误解后来养成“背景集中前置”的习惯跑偏率直接降了一半还多。2.9 技巧九迭代修正把对话当成打磨过程而不是一次性买卖很多人用了一次大模型发现答案不理想立刻骂“这个模型真笨”。但模型不是神它不会自动知道你的“不理想”具体指什么。真正高效的用法是把对话当成一块玉石第一次输出是粗坯后面的反馈是雕刻刀的每一次落刀。迭代修正的技巧只有一个核心说清楚“哪里不对、应该怎么对”而不是简单来一句“不对再来一次”。这个道理跟给设计师提修改意见一模一样。你说“我觉得不好看”设计师只能瞎猜。你说“标题字体换成更纤细的背景颜色改成浅灰布局左侧对齐”效果就明确了。你刚才的回答在我看一下主要问题是这些问题 问题1______ 问题2______ 请针对以上问题逐一修改注意保持其他内容不变。修改时不要重新展开无关的新内容。一般情况下两到三轮回合的迭代就能得到接近理想状态的答案。但要注意迭代次数过多比如超过五轮输出质量反而会下降建议中途如果实在拉不回来就把前面有效的对话重新整理开一个新的会话把有效的指令复制过去。这个操作我称之为“提示词热重启”效果比硬拉好得多。2.10 技巧十模板库思维把零散技巧沉淀成可复用的资产前面九个技巧讲完你已经会写高质量的提示词了。但还有一个更关键的工作习惯把这些提示词沉淀成自己的模板库。很多人写完一个漂亮的提示词用完就扔下次再写又从头开始这是巨大的浪费。模板库思维就是把提示词当成代码一样管理。每个模板都有版本、有适用场景、有变量说明。我在工作里维护了一套自己的模板库按场景划分包括内容创作、编程辅助、数据分析、邮件沟通、学习研究等大类。每次我摸索出一个好用的结构就立刻存进去过一段时间再回头根据使用反馈改版本。模板库的目录结构大概长这样prompt-templates/ ├── content-creation/ │ ├── article-outline-v2.md │ ├── social-copy-writer-v1.md │ └── brainstorming-questions-v3.md ├── programming/ │ ├── code-review-prompt.md │ ├── bug-diagnosis-prompt.md │ └── testcase-generator-v2.md ├── analysis/ │ ├── market-analysis-framework.md │ ├── problem-root-cause-v1.md │ └──>