很多人把提示词工程想得很玄觉得是算法科学家才干的事。实际上它就是一门“怎么跟AI把话说清楚”的手艺。我过去大半年在真实业务里反复试错用一套稳定的方法论写了几百条提示词覆盖文案、数据分析、代码调试、学习辅助各种场景最大的感受是绝大多数人不是不会用AI而是不会问AI。同一个模型有人拿到的是空泛的套话有人拿到的是直接能用的结果差距往往就在提示词那几百个字里。这篇文章我整理了10个我自己反复在用、且能立刻上手的提示词技巧每一项都会讲清楚它解决什么问题、背后的逻辑是什么、可以直接抄的模板长什么样。文末附一个按场景分类的模板库都是我在实际项目中沉淀下来的复制改一改就能用。先说清楚一个背景。我现在用的各类大模型产品已经不算早期那种“一问一答”的玩具了理解和生成能力都足够强。但能力再强它本质上还是个“超级会接话的助手”你说得越模糊它只能猜得越离谱。提示词工程的核心就是把你脑子里的需求翻译成模型最容易执行的语言。这不是文字游戏而是一套有逻辑、有结构、可复用的工程方法。1. 提示词设计的第一性原理把需求翻译成“模型能执行的任务”1.1 先搞懂模型是怎么“理解”你的话的要写好提示词不能只学模板得先理解模型的工作方式。预训练语言模型的核心机制是基于上下文做“下一个词”的预测。你给它一段文本它根据这段文本里的统计规律生成最可能继续的内容。这句话听起来简单但衍生出两个关键结论第一模型不知道你的真实意图它只知道你写了什么。你说“写个方案”它不知道是营销方案、产品方案还是活动方案更不知道要多少字、给谁看、什么风格。它只能基于训练数据里关于“方案”的常见模式给你一个“平均”结果。这也是为什么很多人觉得AI输出平庸——不是AI平庸是你的提示词在让它产出平庸的东西。第二模型对上下文极其敏感。同样一道题措辞稍微换一下结果可能天差地别。这不是玄学而是因为每个词都会影响模型在概率空间里的搜索路径。比如“给我讲一下什么是区块链”和“假设你是一位金融科普作者给完全没技术背景的退休老人解释区块链用买菜记账的比喻500字以内”这两个提示词会让模型走向完全不同的概率分布输出质量自然不同。所以我一直强调一个理念提示词不是“对AI说话”而是“为模型搭建一个信息场”。你给的信息越充分、越结构化模型在这个信息场里的输出就越稳定、越可控。1.2 好提示词的四个基本要素基于上面的原理我把一条高质量的提示词拆解成四个基本要素你可以理解为一张检查清单写任何提示词之前先用这四个维度自查一遍角色你希望模型以什么身份或视角来回答比如“资深律师”“小学老师”“产品经理”“Python开发工程师”。角色设定实际上是在帮模型锁定一个特定的语料分布区——它学过的这个角色的说话方式、思维方式、专业词汇都会被激活。任务你希望模型做什么动词要具体。比如“翻译”“总结”“改写”“生成”“对比分析”“列出步骤”。模糊动词如“处理”“弄一下”会导致模型自行发挥输出不可控。要求对输出有什么约束包括格式表格、列表、代码块、长度字数、段落数、风格正式、口语、幽默、受众谁来看这个内容等。要求越明确越不需要你事后二次加工。上下文模型完成任务所需要的背景信息。比如你要它写产品文案你得告诉它产品是什么、卖给谁、竞品是什么。模型不会读心术你不给的信息它只能编。这四个要素缺一个输出质量就会打折。角色和任务决定“做什么”要求和上下文决定“做成什么样”。后文的10个技巧本质上都是在围绕这四个要素做文章。另外补充一个我个人的经验很多人总觉得提示词越短越好怕写长了模型“记不住”。这是误解。现代大模型的上下文窗口动辄几万甚至几十万token足够容纳一条几百字的提示词。问题不在于长度而在于信息密度——冗余信息才是噪音结构化信息不会干扰模型反而会帮它定位任务。2. 十个能立刻上手的提示词技巧2.1 技巧一角色设定法让模型切换到“专家模式”这是最基础也最容易被忽视的技巧。我问过很多抱怨AI“答得浅”的朋友他们的提示词往往是“给我讲讲XX”这种没有任何角色设定。模型只能用一种“通用助手”的默认口吻来回答这种口吻的特点就是温和、全面、不犯错但也很少出彩。我自己的习惯是每次写提示词都先想一句“让谁来做这件事”。比如你是一位有15年经验的品牌营销顾问服务过消费品、互联网、教育三个行业的头部客户。接下来我会给你一个产品信息请你从目标人群洞察、核心卖点提炼、传播渠道建议三个维度给出方案。这个提示词看起来只是“加了个身份”实际上作用很大。它激活了模型在训练数据中关于“品牌营销顾问”这个角色的专业表达习惯、思维方式、术语体系。模型不再是“泛泛地聊”而是“代入式地输出”。实测下来指定角色后的输出在专业度、术语准确性、结构完整度上都有明显提升。这里有个小细节需要注意角色越具体效果越好。“你是一位营销专家”不如“你是一位专注消费品行业、擅长内容营销的品牌顾问”。因为后者在训练语料里的边界更清晰模型能更快进入状态。还有一个进阶玩法不仅设定角色还设定“角色的立场”。“你是一位支持核电的能源政策研究员”和“你是一位反对核电的环保组织成员”针对同一议题给出的分析会呈现完全不同的侧重。对需要多角度分析的任务我常常用“同时请三位不同立场的专家分别发言”的方式一次拿到多视角内容。2.2 技巧二任务动词具体化少用“写”“做”这类万能动词“帮我写一篇文章”“帮我做一个方案”这类提示词我每天都能见到。问题是“写”和“做”太宽泛了模型根本不知道你要什么质量、什么结构、什么风格。我的做法是用更精确的行为动词来替代万能动词因为每个动词背后隐含了一套输出结构用“翻译”替代“弄成英文” → 模型会自动按翻译任务处理保留原文语义和格式用“总结”替代“讲讲重点” → 模型会主动提取要点压缩冗余用“改写”替代“换个说法” → 模型会保留原意调整风格用“对比”替代“分析一下” → 模型会输出差异点而非泛泛评论用“列出步骤”替代“告诉我怎么做” → 模型会按序号组织流程用“举例说明”替代“解释一下” → 模型会生成具体案例举一个我经常给团队用的例子。想写一条短视频脚本大部分人的第一次尝试是帮我写一个咖啡产品的短视频脚本。得到的往往是几十秒的“产品宣传片”风格脚本套路化严重。我一般会改成请围绕“办公室下午的提神需求”创作一条60秒短视频脚本。分段输出前5秒的钩子文案、中间40秒的场景演绎与旁白、最后15秒的产品卖点和行动呼吁。语气轻松幽默避免硬广感。同样是“写脚本”后者通过动词“创作”和分段描述把任务拆成了子任务模型输出的结构就是我需要的结构几乎不用二次改。2.3 技巧三格式即内容用输出格式反向约束模型这个技巧的本质是“用格式定义质量标准”。模型为了满足你规定的格式会自动调整内容的组织方式、详略安排和逻辑层次。我最常用的几种格式约束方式表格型适合对比、清单类任务。提示词里明确写“以表格形式输出第一列是维度第二列是A方案表现第三列是B方案表现”模型就会自动往每个格子里填充内容避免写了一堆但信息零散。列表型适合步骤、要点类任务。“分点列出每点不超过50字”模型会主动压缩表达。代码块型适合程序相关任务。“用Python写输出代码块并在代码块外逐行解释”这样既拿到可复制的代码又拿到注释说明。JSON型适合需要程序化处理的任务。“以JSON格式输出字段包括title、summary、keywords”可以直接把模型输出接入下游系统。这个我在批量生成文章卡片时用过很多次省掉了人工清洗数据的环节。但有一个坑要提醒格式约束不要太僵硬。不是所有任务都适合表格有些需要深度分析的内容硬套表格反而压缩了信息量。我一般会先判断“这个任务的本质是罗列对比还是深度分析”前者用表格后者用段落加小标题。另外一个经验是格式要求写在提示词末尾效果更好。我试过把格式要求放在开头、中间、结尾三种位置发现放在结尾时模型的遵循度最高。因为越靠近生成位置的要求越容易被模型在生成过程中“记得”。这算是上下文位置效应的一个实战应用。2.4 技巧四示例驱动Few-shot给模型一个“模仿样本”这是提升输出质量最立竿见影的技巧没有之一。原理很简单模型擅长“续写”你给它一个高质量的例子它就会照着这个例子的模式继续生成。这就是少样本学习few-shot learning的应用。比如我想让模型帮我写某类小红书风格的种草笔记与其写一百个字解释“要口语化、要有个人体验、要突出真实感”不如直接给它一篇我认可的范文请参考下面的风格为【产品】写一篇种草笔记 示例 “这个蓝牙耳机我用了一个月最大的感受就是——戴久了真不胀耳朵之前用某品牌入耳式两小时就疼得不行。这款半入耳设计真的救了我。音质嘛平时听播客和流行歌完全够用低音不轰头人声很清晰。续航大概单次6小时通勤一周充两次电就够。缺点也有降噪基本等于没有地铁里还是能听到报站声。但300多块钱我觉得值。” 要求保持第一人称真实体验感加入优缺点对比字数200字左右。这个技巧神奇在哪里它省掉了大量描述性语言。现实中我见过太多人试图用形容词约束AI“要活泼一点”“要生动一些”“要有网感”——这些词太主观模型无法量化执行。但示例不一样示例里的句式结构、语气节奏、信息组织方式、篇幅分布全部通过具体的文字被模型“看见”了。模型模仿示例的能力远比理解抽象形容词的能力强。示例驱动有两个进阶用法正反示例结合不仅给出想要的例子还给出不想要的例子比如“不要写成这种风格XXXX”。这能进一步缩小模型的输出空间。多示例组合给2-3个风格不同的示例要求模型融合。比如给一个专业报告风格的段落再给一个口语化对话风格的段落让模型“结合两者”。2.5 技巧五用“思考步骤”引导推理让模型先想后答这个技巧对应的是提示词工程里一个很重要的概念链式思考Chain-of-Thought简称CoT。原理是当你要求模型“一步步思考”时模型会先生成中间推理步骤再基于这些步骤给出最终答案。这比直接回答更能避免“大脑一热就编”的毛病。最早我是用数学题验证这个技巧的。直接问“鸡兔同笼头35只脚94只各多少只”模型偶尔会答错。但加上“请一步一步列式计算”准确率马上就上来了。后来我把这个思路迁移到几乎所有需要逻辑推理的任务里工作总结“先罗列本月完成的事项再根据重要性排序最后提炼出三个核心成果”方案策划“先陈述目标再列举可用资源然后提出三种方案最后评估每种方案的优劣与可行性”代码调试“先分析这段代码可能存在哪些问题再逐一排查最后给出修复后的完整代码”但CoT提示有个最常见的坑模型会“假装思考”。你让它一步步思考它真的会给你输出“第一步、第二步”但这些步骤可能是编造出来的。所以我在用的时候会加一句约束“请基于已有信息逐步推理如果没有足够依据请直接说明‘信息不足’。”这能防止模型一本正经地胡说八道。一个进阶玩法是**“思维树”式的提示**。我有时会让模型“先提出3条不同的解决路径再评估每条的可行性然后选择最优路径详细展开”。这相当于在提示词层面让模型做了多方案比较而不是一根筋走到黑。对写方案、做决策类任务非常有效。2.6 技巧六反向约束明确告诉模型“不要做什么”大多数人的注意力都放在“要什么”上很少花时间想“不要什么”。但很多输出翻车恰恰是因为模型踩了雷。比如你让模型写一篇产品文案它可能堆砌“极致”“卓越”“颠覆”这类浮夸词。这时候与其反复强调“要克制”不如直接在提示词里加一条红线注意事项不要使用“极致”“卓越”“颠覆”“赋能”“抓手”等词汇不要使用感叹号不要自称“本产品”保持客观描述。反向约束的效果有两个来源第一它帮模型排除掉了一个“明显的但你不想要的”输出方向让概率集中在正确的区域第二它体现了一种隐含的质量标准——你能说出“不要什么”说明你对自己的需求有清晰判断这种确定性会被模型感知到。但反向约束也有个容易出问题的地方提了“不要什么”模型可能因为过度规避而显得不自然。比如你说“不要写得太正式”模型可能会用力过猛走向过于随意的流水账。解决办法是正反结合既说“不要写得太正式”也说“要像朋友聊天那样自然”。用“要什么”来锚定方向用“不要什么”来校准偏差两者配合使用。我还经常用反向约束来做“内容安全阀”。比如“不要涉及种族、性别、年龄的刻板印象”“不要使用可能引发焦虑的恐吓式表达”。这类红线在公开输出场景下尤其重要能省掉不少人工审核时间。2.7 技巧七复杂任务分步拆解一次只让模型做一件事我发现一个普遍现象很多人喜欢把多个任务塞进一条提示词。“帮我分析这份数据写一份报告做成PPT大纲再配几个图表建议”——如果模型处理得不好大概率就是任务太多、互相干扰。大模型处理多任务时不是“并行处理”的而是在同一个上下文里依次生成。任务多了以后后面任务会覆盖前面任务的信息权重模型容易顾此失彼。我的习惯是把复杂任务拆成一条条提示词串成一条工作流。拿“用AI写行业研究报告”举例我不会一次性让它全出。我的流程是先给模型一个主题和范围让它列出该主题下应该包含的核心章节针对每个章节单独发一条提示词附上前面章节的要点作为上下文全部完成后再让模型做“整合统筹”统一语言风格与前后逻辑这个流程看着繁琐实际上比我早期“一步到位”的做法高效得多。每一步模型都专注一个子任务输出的质量稳定可预期。而且中途我可以随时干预——发现某章方向不对单独改那一章就行不用推翻重来。还有一个实用技巧叫**“渐进式细化”**先用一个宽泛的提示词让模型生成一个大纲然后基于大纲再一步步追问细节。比如“先给我一个年会策划的三级大纲”拿到大纲后再说“把第二个环节的互动游戏部分展开给出具体规则和所需道具”。这样模型始终在一个“被约束的上下文”里工作输出不会跑偏。2.8 技巧八管理上下文窗口让模型“记住”该记的这里要提到热搜词里的一个关键观点上下文工程是提示词工程的延伸。我自己用下来的理解是提示词解决的是“每条对话的质量”上下文工程解决的是“多轮对话或长文本场景下的信息管理”。模型并不是电脑硬盘你告诉它的内容不会一直“存在那儿”。它的注意力机制决定了离生成位置越远的信息对生成的影响越弱。这个特性对我们的实操有几点启发第一关键信息要放在靠近任务指令的位置。比如你拿一篇长文档让AI总结不要在开头放一堆无关寒暄直接把文档给对方然后紧跟一句“请总结这份文档的核心观点”。任务指令放在文档后面比放在文档前面更容易被模型执行。第二不是所有历史对话都需要保留。很多聊天式AI支持多轮对话但对话越长早期信息对当前输出的影响越小。如果需要模型始终牢记某个信息可以“每轮都重述一遍”这个关键点而不是指望它隔了十轮还记得。第三适时“总结压缩”。对话超过一定长度后我会让模型先总结前面的内容“请用简洁的语言总结我们目前已经确认的要点。”然后把这段总结作为新一轮对话的上下文基础。这相当于一个“记忆压缩”操作能有效防止信息被稀释。最近热门讨论的上下文工程本质上是教你像一个图书馆管理员那样管理对话里的信息什么信息放什么位置、什么信息要被重复强调、什么信息可以丢弃。再好的提示词如果上下文乱成一锅粥效果也会大打折扣。2.9 技巧九多轮对话中的“追问-修正”反馈循环很多教程过分强调“一次写出完美提示词”但这在真实工作中几乎不可能。我更愿意把提示词写作看作一个迭代过程。第一轮拿到输出后不要急着失望而是通过追问和修正来逼近目标。我的常用反馈句式有这几类指正型修正“第三段的语气太过学术请改成更口语化的表达。”聚焦型追问“你刚提到了渠道策略请针对短视频渠道再展开说说。”方向型反馈“整体方向是对的但缺少用户痛点的描述请补充。”示例型修正“你看这段范文的风格请按照这个风格重写第二段。”这样做的好处是模型每一轮修正都在使用前一轮生成的内容作为上下文它对“你要什么”的理解会越来越准确。这个过程很像带新人——你说一次他不懂你给个反馈他调整一次几轮过后就会慢慢找到感觉。我自己的习惯是复杂任务至少预留三轮对话的空间第一轮拿基础版本第二轮修正大方向第三轮打磨细节。经过这三轮输出质量通常能到一个“可以直接用”的水平。那些“AI写的东西没法用”的说法很多是因为只写了一轮就放弃了。但这里也有一个提醒追问修正不是无限循环的。如果已经来回修正了四五轮输出还是不对大概率不是打磨的问题而是方向从一开始就错了。我遇到这种情况会直接“推倒重来”重新写一条提示词而不是继续在原对话里修补。这就像写文章如果结构不对靠改句子是救不回来的得重新搭框架。2.10 技巧十模板化思维把提示词变成可复用的生产线最后一个技巧是把前面所有技巧沉淀成模板。我自己的做法是每次发现一个“调好了的提示词”就把它存进一个模板库下次遇到同类任务直接改参数复用。一个模板化的提示词通常包含两部分固定结构 可变变量。我随便列一个自己经常用的模板角色你是一位专注【行业】领域、擅长【对象】类内容创作的自由撰稿人。任务请根据以下【信息点】创作一篇【字数】字左右的【内容类型】。要求语言风格【风格描述】结构上先【开头要求】再【主体要求】最后【结尾要求】避免【禁忌1】和【禁忌2】。上下文【产品/主题描述】参考示例【范文】用的时候只需要把【】里的内容替换掉。可能有人觉得这不就是“填空”吗对这就是模板化的意义——把提示词工程从“每次从零思考”变成“在已验证的框架上填空”。这不仅能保证输出质量的稳定性还能大幅提高效率。我在项目里还做过一个更极致的用法给模板编号用“一句话指令”调用模板。比如在团队协作时我只需要打“用T-03模板输出本周周报”同事就知道把周报数据填进模板里再交给AI生成。这本质上是把提示词工程变成了一种团队内部“知识资产”。关于模板库的维护我有一个建议每个模板都要附带“使用说明”和“典型输出样例”。没有样例的模板别人看不懂什么时候该用没有说明的模板换个人来填变量就变味了。3. 实用模板库覆盖8个高频场景以下模板是前面技巧的综合应用每一个我在实际工作中都验证过。复制使用时只需要替换【】里的变量。有基础的朋友可以继续优化新手建议先原样用跑通流程以后再改。3.1 内容创作类模板A爆款标题生成角色你是一位有10年经验的新媒体主编非常擅长写高点击率标题。 任务根据下面这个内容主题生成10个标题。 要求覆盖以下类型悬念型、数字型、利益型、反常识型、故事型。每个标题不超过25字。 内容主题【你的主题】 注意事项不要使用“震惊”“重磅”“必看”等夸张词。模板B长文改写润色角色你是一位资深文字编辑擅长让文章更精炼有力。 任务改写下面这篇文章。 要求1. 保持核心观点不变2. 删除重复表达3. 把长句拆成短句4. 开头前两句要有吸引力5. 整体控制在【X】字以内。 原文【粘贴原文】 输出格式先输出改后的全文再附一段简短的“改写说明”解释你做了哪些调整。模板C短视频脚本角色你是一位短视频编导擅长在15秒内抓住观众注意力。 任务为【产品/主题】创作一条【X】秒的短视频脚本。 输出格式按表格输出包含“时间轴、画面描述、台词/旁白、音效建议”四列。 要求前3秒必须有冲突或悬念语气生活化结尾要有明确的互动引导。 产品信息【产品描述】3.2 数据分析类模板D数据解读角色你是一位商业分析师擅长从数据中提炼业务洞察。 任务基于下面这份数据给出你的解读。 输出结构1. 核心结论不超过3条2. 关键数据支撑每条结论对应具体数据3. 潜在风险与异常点4. 后续建议。 数据内容【粘贴你的数据最好带上字段说明】 注意如果数据不足以得出某个结论请明确说明“数据不足”不要臆测。3.3 编程开发类模板E代码审查角色你是一位具备多年经验的后端开发工程师。 任务审查下面这段代码。 输出格式先给出总体评价再按表格输出“问题位置、问题描述、严重程度、修复建议”。 额外要求重点关注性能瓶颈、边界条件处理和安全隐患。 代码【粘贴代码】模板FSQL编写角色你是一位数据分析师精通SQL。 任务根据下面的业务需求编写SQL查询语句。 输出格式先给SQL代码再解释每条语句的作用最后给出可能的性能优化建议。 数据表结构【粘贴表结构信息】 业务需求【描述你想查什么】3.4 学习与知识管理类模板G概念讲解角色你是一位大学老师擅长用生活化例子讲解抽象概念。 任务向完全没有专业背景的人解释【概念】。 要求1. 先给一个生活化类比2. 再给一个具体案例3. 然后给出正式定义4. 最后列出常见的3个误解。 字数800字左右。模板H阅读总结角色你是一位知识管理专家擅长从信息中提炼可执行的知识。 任务基于下面这篇文章生成一份学习笔记。 输出结构1. 核心观点3-5条2. 文中提到的可执行方法3. 我的疑问4. 结合个人的思考方向。 文章全文【粘贴或输入文章标题】3.5 职场效率类模板I周报生成角色你是一位擅长向上管理的职场人。 任务根据下面这些素材帮我写一份周报。 输出结构1. 本周核心成果3条优先量化2. 项目进展与风险3. 下周计划。 要求每条不超过50字语气客观务实不要把“做了什么”写成“学了什么”。 我的素材【列出你这周做的事越零碎也没关系】模板J会议纪要角色你是一位高效的项目助理。 任务把下面的会议记录整理成结构化的会议纪要。 输出格式包含“会议主题、参会人、决议事项、待办事项含负责人和截止日期、风险与遗留问题”。 原始记录【粘贴会议原始记录】3.6 逻辑与决策类模板K多方案对比决策角色你是一位结构化的决策顾问。 任务我有以下【X】个方案请帮我做对比分析。 输出结构先用表格从【成本、时间、风险、收益】四个维度对比再给出你的推荐方案与理由最后列出需要补充的信息。 方案描述【方案1描述】【方案2描述】3.7 翻译与跨语言应用类模板L专业翻译润色角色你是一位专业翻译熟悉技术文档和商务邮件两种文体。 任务把下面的中文翻译成英文/英文翻译成中文。 要求1. 不要逐字翻译按照目标语言的表达习惯重写2. 技术术语保持行业通用译法3. 翻译后附一段说明指出原文里可能存在的歧义之处。 原文【粘贴文本】3.8 创意与头脑风暴类模板M创意角度发散角色你是一位跨界创意人。 任务围绕【主题】从以下5个完全不同的角度各给出一个创意点子技术角度、用户情感角度、成本控制角度、环保可持续角度、增长黑客角度。 每个点子用3句话说明核心idea、实施方式、预期效果。以上模板建议第一次用时先“原样复制—替换变量—查看输出—微调要求”这样跑一遍。你会发现模板调整两三次后就成了“你的模板”比任何通用教程都好用。4. 常见问题与调试实录4.1 问题一模型“听不懂人话”输出完全跑偏现象明明提示词写得挺清楚但模型输出跟预想毫无关系。我见过最典型的案例让AI写一篇“理性客观的行业分析”它硬是写成了一篇品牌宣传稿让它“用幽默语气介绍产品”它把产品介绍写成段子卖点全丢了。排查思路先看是不是提示词里有“歧义关键词”。比如“幽默”这个词在训练语料里经常和“段子”“搞笑”绑定出现模型容易把天平推到“搞笑”那端。再检查是不是没有提供“参考示例”——抽象形容词理性、幽默、专业远不如一篇范文来得直接。解决办法“不要只描述你想要的风格直接给它你看得上的范文。”这是示例驱动技巧。如果再不行就把任务再拆细一点看看是不是一次要求太多、模型处理不过来。4.2 问题二输出内容看似完整但全是正确的废话现象每条观点都没错但没有一条有信息量。“本文从多个维度进行了深入分析”“对行业未来的发展具有重要指导意义”这种正确的废话占了输出的一半篇幅。原因模型在训练数据里见过的许多“官方文章”就是这样的如果你不额外约束它就按最平均、最安全的路径生成。本质上是提示词里缺乏“信息质量要求”。解决办法在提示词里加入对信息密度的要求比如“每条观点必须附带一个具体案例或数据支撑”“删除任何没有具体信息的套话”“如果让你写‘重要’‘关键’之类的词请务必说明‘为什么重要’”。我会用一句话来根治“请假设你的读者是行业内专家不需要你复述常识直接讲他们不知道的信息。”这句话非常神奇瞬间能把模型的输出从“科普文”调成“专业建议”。4.3 问题三多轮对话后模型“失忆”前面的要求渐渐不遵守了现象第一轮对话里说好的“不用列表用段落写”到第三轮的时候它又自动改回列表了或者最开始确定的术语后面几轮又被换了别的词。原因这是上下文工程问题。模型在长对话中每一轮新输入的信息都会稀释掉旧信息的影响权重。越早的指令越不容易被后面的生成过程遵守。解决办法每隔几轮对话把最关键的约束重述一遍。比如“记住我们仍然沿用不用列表的规则”。进阶做法是定期对前面的对话做一次“总结压缩”让模型把关键约定整理成一段摘要再基于摘要继续对话。我自己在写长篇项目文档时每隔五六轮就会做一次“约定小结”实测能明显减少后期跑偏的概率。4.4 问题四提示词已经很长了为什么输出还是不满意现象把能想到的需求都写进提示词里角色有了、任务有了、要求有了、示例也有了但输出依然平庸。原因可能不是“不够长”而是“结构混乱”。如果提示词里信息堆成一团模型需要自己从大量文本里“找”核心任务效果反而不好。解决办法用分隔符比如###、---把提示词分成若干区段每段只讲一件事。这也是我在模板库里统一采用“角色 / 任务 / 要求 / 上下文 / 示例”这种分段结构的原因。模型对这种“格式化文本”的解析能力比对大段自然语言更强。本质上提示词工程追求的不是“写得多”而是“结构清晰”。4.5 问题五不同时间用同一个提示词输出差异很大现象同样的提示词早上用和下午用结果差别很大。有人怀疑是模型“心情不好”其实不是。原因大模型的生成过程带有随机性尤其当你没有把“确定性”调得很高时。这不能完全消除但可以通过提示词来缓解。解决办法如果期望更稳定的输出在提示词里增加“结构越固定越好”的约束比如“严格按以下三条输出”“不要增加额外的建议章节”。结构越封闭随机发挥的空间就越小。另外做需要标准化输出的场景比如批量生成文案我会在提示词里明确给出“输出模板”让模型“把内容填入模板再返回”这能大幅降低输出的不确定性。5. 我的几点实操体会写到这里我想把一些不太常说、但我自己很受益的点分享出来。第一提示词工程不是“对AI说得越多越好”而是“让关键信息在正确的位置上”。就像和人沟通不是话多就行而是重点突出、逻辑清晰。提示词里的每个模块都有它的作用结构比长度重要示例比形容词重要。第二同一套提示词技巧在不同模型上的表现存在差异但底层逻辑通用。有些模型对角色设定的响应更激烈有些模型对示例的模仿能力更强。我自己的习惯是不管用什么模型先跑一次“最小验证”——用一个简短的测试任务快速判断它更吃哪一套方法再据此调整提示词策略。第三提示词工程的高阶形态是“工作流设计”。单一技巧只能解决单一环节但当你在一个完整的业务流程里比如“选题—写稿—审校—发布”你会发现真正提效的不是某一条提示词而是把多条提示词串成流水线。这也回到了之前说的上下文工程——它关注的是信息在这条流水线里如何流转、如何留存、如何复用。提示词工程和上下文工程一个管“单点质量”一个管“全局效率”两者结合起来才是完整的能力体系。最后再分享一个小技巧每次调好一条提示词我都会做两件事。一是用“总结语句”让AI反向输出它理解的要点“请用三句话总结你对我任务的理解并列出你将要执行的步骤”。这一步能验证AI是否真的读懂了需求。二是把这条调试过程记录下来——最初的版本、问题在哪、怎么改的、最终版本是什么。有个几十条这样的记录以后你会发现自己在写新提示词时第一次的正确率明显变高了。提示词工程不是一门“学了就会”的知识它更像一门手艺需要大量练习、记录和复盘。希望这10个技巧和模板库能帮你少走一些我走过的弯路。