提示词工程这个词这两年已经被讲烂了。但你会发现一个奇怪的现象网上教程翻了一大堆轮到自己上手写提示词输出质量还是忽好忽坏。问题出在哪大部分教程只教了你怎么把话说全却没告诉你模型是怎么读你这句话的。我过去半年把提示词工程实打实用在真实工作流里——写方案、跑数据分析、做内容批量生产、管客服话术踩过的坑比看过的教程多得多。这篇文章把我现在还在用的10个技巧直接拿出来外加一个我自己压在案头的模板库适合所有把大模型当生产工具的人不管你是写文案、写代码还是要做分析报告看完就能照着改。1. 先搞明白大模型怎么读提示词后面技巧才不会白学1.1 模型不是在理解你而是在接着往下写这句话听起来有点反常识但它是整个提示词工程的地基。大语言模型的工作机制本质上是在做下一个词的概率预测你给它一段文本它根据之前训练过的海量语料算出后面最可能跟着哪些词然后一个一个往外蹦。所以你写下的提示词不是在向它下达命令而是在为它铺设一段上下文语境——它输出的内容其实就是对你这段语境最合理的续写。这个认知直接改变了我写提示词的方式。以前我把提示词当成给下属布置任务结果发现模型给出的东西经常答非所问。后来我把提示词当成给自己请的临时员工写工作交接文档——你写清楚背景、要求、交付物格式他上手就会很顺。原因就在于你的提示词提供的信息越完整模型能依赖的上下文线索就越多它续写出来的内容就越贴合你要的方向。1.2 提示词四要素身份、任务、约束、格式既然模型是在续写那提示词工程的核心就变成了一件事把你脑中的目标转译成模型熟悉的文本模式。我用了很久之后把所有提示词拆成了四个要素任何复杂的提示词都跑不出这个框架身份让模型站什么立场、用什么视角说话。比如你是一位财务分析师和你是一位给小学生讲课的老师同一份材料出来的表述会完全不同。任务你要它具体做什么。这里最忌讳的是抽象动词比如分析优化看看这些词歧义太大。约束范围、字数、语气、禁区。不给约束模型就会默认给你最平庸、最安全的那个答案。格式输出长什么样。表格、列表、JSON、三段式这些都要提前约定。我后来做团队内部分享时经常说一句话提示词写得不好不是因为文笔差而是因为漏了要素。哪怕你话糙一点只要四个要素齐了结果都不会太离谱。后面讲的10个技巧本质上都是在强化这四个要素。1.3 一个反直觉的结论提示词不是越长越好市面上有个误区觉得提示词越长越专业恨不得把八百字背景全塞进去。我实测下来完全不是这样。模型对长文本的关注度是递减的你塞进去的废话越多关键指令越容易被稀释。举个我很常举的例子。我让模型帮我写产品推广文案第一版提示词是这样的你是一个资深营销专家公司的产品是一款面向年轻白领的即食燕麦片主打膳食纤维和高饱腹感我们希望通过这款产品解决上班族没时间吃早餐的问题同时产品价格在同类中属于中高价位包装设计偏向简约风请帮我写一篇推广文案。这版输出很平什么都说了一点什么都没说透。后来我改成你是一位专注健康食品领域的营销顾问。请为定价39元/盒的即食燕麦片写一篇小红书风格的推广文案目标人群是早晨没时间吃饭的25-35岁白领。要求突出3分钟搞定一顿健康早餐这个核心卖点提到高饱腹感但不要出现减脂等医疗承诺类词汇全文控制在200字以内结尾加3个话题标签。效果立刻不一样。区别在哪前者是背景模糊愿望后者是身份任务约束格式一应俱全。所以记住这句话与其拉长提示词不如把每一句话都变成有效信息。2. 十招拆成四层定位、示范、结构、协作这一节是全文的重头戏。10个技巧我不打算平铺直叙一个一个罗列而是把它们按实际使用场景分成四层定位层负责让模型站对位置示范层负责让模型看懂你要什么结构层负责控制输出形状协作层负责在多次对话中把模型调教顺手。2.1 定位层告诉模型你是谁 要什么 不要什么技巧1给模型一个身份锚点角色设定是性价比最高的技巧没有之一。它的原理是模型在训练时见过大量带有职业属性的文本你给它一个角色等于帮它激活了对应的语料区域。比如你是一名有10年经验的科技记者它调用的就是新闻写作、客观表述、逻辑论证那套文本模式换成你是我的损友它就切换到轻松、调侃、口语化的模式。但这里有个常见坑角色设定不是越玄乎越好。我见过有人写你是世界上最聪明的AI拥有所有领域的知识这种除了浪费token没有任何作用。角色要给得具体、可想象。你是擅长用户增长的产品经理就好过你是产品专家你是写过10万爆款的公众号主编就好过你是写作高手。越具体的角色激活的文本模式越清晰。技巧2把愿望清单改写成任务描述帮我写个方案这种提示词本质上是把压力全甩给模型让它替你做决策。但模型没有你的业务背景它只能按最大概率路径走产出自然是正确的废话。正确的做法是把任务写得像外包需求文档包含三样东西输入材料、处理动作、交付标准。我把自己的周报需求从帮我写周报改成了以下是本周我完成的6项工作记录请按项目背景-我的动作-可见成果的结构整理成周报格式每项不超过60字整体语气客观不要自我表扬。同样是写周报后者我基本不用改就能直接用。关键在动作词要具体列、对比、总结、翻译、提取、改写这些动词会让模型明确自己的操作边界。技巧3负面约束和正面要求一样重要很多人在提示词里只写要什么不写不要什么。结果模型经常给你冒出一堆套话、黑话或者超出你范围的发挥。负面约束就是给模型画一条警戒线。我写提示词现在固定带一个禁区段落例如不要使用赋能抓手闭环这类黑话不要超过300字不要编造统计数据不要给空泛的建议每条都要对应具体操作。加了这段话之后输出质量提升非常明显。因为大模型默认倾向于输出最安全、最全面的内容而全面往往意味着平庸。负面约束直接帮它砍掉了那些平庸的选项。2.2 示范层用例子和步骤给模型打样技巧4少样本示例——给一个标准答案胜过描述十句这是提示词工程里效果最被低估的技巧。模型的本质是模式匹配你给它一个现成的输入-输出对它比听你解释半天要求学得更快。比如你要从一堆简历里提取候选人信息与其写请提取姓名、年龄、工作年限、核心技能不如在提示词里夹一条示例输入原文张三5年后端开发经验精通Python和Go曾在电商公司主导过秒杀系统的重构。期望输出姓名张三年限5年技能Python, Go亮点主导秒杀系统重构给出这条示例后模型对提取到什么颗粒度、怎么排版就有了参照错误率直线下降。少样本示例尤其适合信息提取、格式转换、分类打标这类任务因为这类任务的难点不在理解而在对齐格式。技巧5思维链——复杂推理任务让模型先想再答如果你让模型直接做数学题、做逻辑推理或者做多因素综合判断它很容易跳步出错。这时候加一句请先一步一步列出推理过程最后给出结论相当于强迫它把中间步骤显性化。这个技巧的学术名称叫思维链Chain of Thought原理是让模型在生成答案的过程中保持每一步的连贯性减少跳步幻觉。我实测最好用的写法是请先用300字写出分析思路再给出结论或者请分三步回答每一步都说明依据。这样输出的内容不仅正确率更高还附带推理过程方便你去复核它有没有偷换概念。但要注意简单任务不需要这个技巧比如把这段话改写成口语直接给答案就行强行加思维链反而啰嗦。技巧6结构化输出——约定格式让结果可复用把输出格式写死在提示词里是个极具杠杆效应的习惯。它的价值不仅是好看更重要的是让输出可以被复制粘贴进表格、被程序解析、被后续工具处理。我现在所有数据处理类任务都要求模型输出Markdown表格或JSON。比如我让模型整理竞品信息提示词里会写以表格形式输出列为产品名称、定价、核心功能、目标客群、我们的差异点不要输出表格以外的文字。模型一般都能严格照做。遇到模型偶尔不听话我会再补一句只输出表格不要任何解释。这其实是个独立技巧——当模型输出越界时明确缩小它的输出范围比重新写一遍提示词更省事。2.3 结构层拆解任务、隔离信息控制输入的形状技巧7一次只让模型做一件核心事贪多是提示词的大忌。我见过最多的情况是这样的帮我写一篇关于数字化转型的文章还要给出三个标题顺便翻译成英文再总结成五个要点。模型会平均用力最后所有任务都完成得很平庸。正确的做法是拆解成一个任务链先用一个提示词让模型生成文章框架并确认拿到框架后再让它逐段扩写最后单独让它翻译。每轮对话专心做一件事模型的输出质量会明显提高而且你在每个环节都能介入修正而不是等一个混合结果出来再返工。这个技巧背后的逻辑是模型的注意力分配是有限的任务越多分给每个任务的推理深度越浅。技巧8用分隔符隔离指令和内容当你需要在提示词里粘贴大段原材料时很容易出现一个问题模型分不清哪句话是命令、哪句话是素材。比如你贴了一篇用户的吐槽评论让它改写结果它把评论里的脏话和负面情绪当成你的语气回复也变得阴阳怪气。解决办法就是用分隔符把两段内容切清楚。我现在固定这么写以下内容用三引号括起来的是需要处理的原始材料请阅读后完成括号内的任务。原始材料...。任务1提取用户的核心诉求2改写为客服回复语气礼貌但不要道歉过度。分隔符可以是、、或者类似以下是原文这样的文字标记。关键作用就是让模型知道指令区的话要听内容区的话只是素材不是你的真实意图。2.4 协作层在对话中不断校准而不是一次赌对技巧9多轮对话中用指代标注管理上下文很多人觉得多轮对话是模型的加分能力实际用起来却老觉得它记性差。我排查下来大部分时候不是模型忘了而是你的新问题缺少明确的指代关系。比如你前面让它分析了三份财报下一句问那第四季度怎么看模型其实不知道你指的是哪家公司的第四季度。对策很简单跨轮次提问时把关键指代重新说一遍。比如根据上面三份财报中的A公司数据分析它第四季度营收下降的原因。这个技巧不复杂但能救回很多看起来像模型失忆的翻车现场。另外当对话超过一定长度后模型会丢失早期信息这时候最有效的做法不是一直往上翻而是新建一个对话把关键结论粘贴进去重新提问。技巧10迭代追问——把修改意见当成提示词的一部分最后一个技巧最容易被忽略但它决定了你能不能从能用到好用。一次写出的提示词很少能直接产出完美结果真正的高手会把迭代当成一个显性环节。第一版输出后不要急着重新写提示词而是在当前结果基础上做定点修改。比如模型写的方案你说第二段太空洞请补一个真实场景案例结论部分太绕直接给三条建议每条不超过20字整体语气从书面改成口语。这种迭代式追问比推倒重来要快得多而且模型在已有基础上修改的表现通常比重新生成更稳定。我把这个技巧总结为一句话提示词工程不是一次性的写作而是一套循环逼近的调试流程。2.5 十招速查表为了方便你复制到自己的笔记里我把这10个技巧整理成一张速查表层级技巧一句话要诀定位1. 身份锚点给出具体角色不写万能专家定位2. 任务具象化写清输入、动作、交付标准三个元素定位3. 负面约束明确禁区不写什么、不超多少字示范4. 少样本示例给一个输入输出对胜过解释十句话示范5. 思维链复杂任务要求先列步骤再给结论示范6. 结构化输出指定表格、JSON、列表等输出格式结构7. 一次一件事拆解任务链每轮只做核心任务结构8. 分隔符隔离用引号或标记区分指令与素材协作9. 指代标注跨轮次提问时重述关键对象协作10. 迭代追问基于已有输出做定点修改3. 模板库直接复制、只改变量就能用的四套模板技巧讲完了上硬货。下面这几套模板是我自己日常使用频率最高的每一套都放到真实场景里反复调整过。使用方法很简单把方括号【】里的内容替换成你的实际情况其他部分基本不用动。3.1 职场报告类周报生成模板这套模板解决的是工作做了不少、写出来像流水账的问题。核心逻辑是先让模型帮你提炼成果而不是从零编造。你是一位擅长结构化表达的职业经理人。以下是【本周实际完成的工作记录可以直接口语化罗列】 【1. 处理了客服反馈的12个退货申请其中8个已解决 2. 整理了Q3竞品价格对比表3. 和设计部对接了新版本首页改版需求】 请输出一份周报结构为本周核心成果选最重要的3项每项写清楚背景和结果→ 遇到的问题与需要的支持 → 下周计划。要求语言简洁每部分不超过150字不要使用赋能等空泛词汇。这套模板的要点在于你必须让模型基于你提供的真实素材来总结不要让模型自由发挥编造工作内容。实测下来替换素材后直接出稿率在80%以上剩下的20%我只需要微调语气。3.2 阅读学习类知识提炼模板很多人拿大模型读书笔记结果只得到一堆目录复述。这套模板要求模型按照概念-原理-例子-行动四层结构输出强制它进行深度加工。你是一位善于将复杂知识转化为可执行建议的阅读教练。请阅读以下提供的文章/笔记内容 【粘贴原文或笔记】 请按以下结构输出 1. 核心观点用一两句话概括全文不超过50字 2. 关键概念列出3个最重要的概念每个用一句生活化的例子解释 3. 反常识点指出文中与普通人直觉相悖的判断并说明原因 4. 行动清单基于这篇内容可以立刻执行的3个具体动作每个不超过30字。 要求不要复述原文用自己的话重构如果原文缺少某部分信息标注原文未提供基于常识补充。这套模板对备考、做行业研究、读书笔记都适用。我尤其喜欢反常识点那一块它会逼着模型去挖掘材料里真正有价值的信息而不是平庸地复述。3.3 数据分析类从需求到代码的翻译模板让模型写分析代码SQL和Python最常用最怕的是它理解错了表结构。所以这套模板的关键一步是先喂表结构信息再提需求。你是一位资深数据分析师。以下是数据表结构 【表名orders字段order_id, user_id, product_id, amount, pay_time, city】 我的需求是【分析近30天各城市的销售额排名找出top3城市每周的销售趋势】。 请先输出SQL代码使用MySQL语法再输出一段Python代码使用pandas本地CSV文件加载数据完成同样的分析。 要求代码加注释如果我的表结构缺少必要字段请在代码里先提示需要补充哪个字段。注意模板里那句如果缺少必要字段请提示这句话能帮你提前发现需求漏洞而不是等模型硬着头皮写出一堆没法跑的代码。3.4 内容创作类选题、提纲、标题批量生成模板做内容的人最怕面对空白文档。这套模板把选题-提纲-标题三个环节拆开每轮只做一件事配合前面的任务拆解技巧使用效果最好。你是一位拥有10万粉丝的公众号主笔深耕【领域名称如职场成长/健康饮食/科技财经】。 帮我针对今天的选题方向【具体方向如拖延症怎么破】生成8个选题角度要求每个角度都有具体的场景和人群指向不能是聊聊拖延症这种空泛表达比如可以是为什么越追求完美的人越拖延——从行为心理学角度聊聊任务启动困难。 只输出8个选题清单每个一句话不要展开。拿到满意的选题后再开一轮新对话让它生成提纲再下一轮生成正文。这样的流水线作业素材质量比一次性让它写一篇完整文章要高得多。4. 实测翻车记录三个反复出现的问题和完整修复链路模板和技巧是理想状态真实用起来一定会翻车。这里我把遇到频率最高的三个问题完整复盘一遍包括症状、根因、修复过程和验证结果你遇到类似问题时可以直接照方抓药。4.1 翻车场景一角色设定和少样本示例打架症状我让模型扮演专业的法律文书审核员处理一份合同摘要同时又给了它一条示例要求按照示例的格式输出。结果输出的格式既不像法律文书也不像示例格式两头不靠还出现了作为法律审核员我认为这种画蛇添足的开场白。排查过程我一开始以为是角色设定写得太强于是把角色描述删掉重新试结果输出稳定了但深度下降缺少专业术语。后来又把示例删掉保留角色输出专业但格式混乱。反复测试后发现问题出在角色设定里隐含的语气要求和示例里隐含的格式要求发生了冲突——角色让模型写正式法律意见书示例又示范了精简表格模型无法同时满足两个矛盾的指令。修复把角色和示例统一到同一个方向上。最后我保留角色但在角色描述里主动声明你的输出将用于内部表格存档请按表格格式输出并且让示例本身也采用表格样式。两个要素不再打架输出立刻稳定。这个经历给我的教训是技巧之间要互相兼容当输出混乱时先检查是不是自己给的指令互相矛盾。4.2 翻车场景二要求输出JSON模型老在代码块外多说两句症状做数据处理时我要求模型输出JSON数组它确实输出了JSON但前面总带着一句好的以下是提取结果后面还跟一句希望对你有帮助。这些多余的文字导致程序解析失败每次还得手动清理。根因模型有礼貌性生成的默认倾向尤其在多轮对话中更容易出现。这是我第一次意识到你以为的小瑕疵在实际工作流里就是阻塞工序的bug。修复我在提示词里加硬约束只输出JSON不要输出任何解释、问候或代码块标记。前两次有效但对话变长后又会复发。最终解决办法是在代码侧做兜底用正则截取第一个方括号到最后一个花括号之间的内容凡是指令控制不了的部分就靠程序兜住。这件事提醒我提示词能解决90%的问题剩下10%要靠工程手段兜底别跟模型死磕。4.3 翻车场景三长对话到一半失忆上下文清洁度怎么管症状有一次做市场分析我和模型来回聊了十几轮前面确定了目标受众、竞品名单、分析框架后面让它输出结论时它竟然引用了一个前面根本没提到的竞品数据还煞有介事地编了个来源。排查过程我回翻对话发现问题出在中间某一轮我问了一个无关问题模型把它也纳入了上下文之后越跑越偏。大模型的上下文窗口是固定的对话越长早期关键信息越容易被稀释而后期出现的无关信息反而占据权重。修复我养成了两个习惯。第一关键信息在每轮提问里都复述一遍比如根据前面确定的竞品名单A、B、C三家不再依赖模型的记忆。第二当一个分析任务超过5轮对话我就新建一个对话把前面达成的共识用一小段摘要粘贴进去然后重新开始。这个做法让我的多轮分析准确率提升了一大截其实就是给模型做了上下文压缩。5. 我维护模板库的三个习惯版本、同题测试、反向沉淀文章最后分享三个让我自己的模板库越用越顺手的小习惯。如果你也想把提示词沉淀成可复用的资产而不是每次从零开始可以照做。第一个习惯每条模板记录四个字段。我的模板库里每条模板都附带四行说明适用场景、必填变量、预期输出示例、历史翻车记录。很多人只存模板正文不存使用说明三个月后再看根本想不起来当初为什么这么写。翻车记录尤其宝贵它记录了去掉这个约束模型会犯什么错这是跟模型长期相处才能总结出来的经验。第二个习惯定期用同题三问测试模板稳定性。我会拿同一个模板换三次不同的输入变量测试输出质量。如果三次结果中某一部分质量波动很大说明模板里对应区域的指令还不够硬。比如我发现所有模板在长输入时都容易丢约束后来统一在模板开头加了一句以下指令始终生效包括处理长文本时稳定性立刻提升。第三个习惯把修复经验反向写回模板。每次在实战里发现模型不听指挥搞清楚了原因并在对话中修复成功之后我会把刚刚那轮对话里多加了什么才成功沉淀回模板正文。比如我意识到所有批量处理模板都应该写明逐步处理每条输出之间用空行隔开否则模型会把多条结果挤在一起。这样每一次实战翻车最后都会变成模板库的一次升级。这三个习惯的本质是把提示词工程当成一套持续迭代的生产系统来维护。很多人以为写提示词靠灵感其实靠的是记录、测试、迭代的笨功夫。我这半年最大的体会就是技巧能让你快速入门而真正拉开差距的是你愿不愿意把每一次和模型的对话都当成一次可以被下次复用的经验。