1. 先从一次“翻车”说起大多数人用提示词的方式一开始就错了上个月有个做运营的朋友发来一段提示词原话是“请帮我写一篇关于数字化转型的文章”然后抱怨现在的大模型越用越笨生成的内容全是正确的废话。我打开那段输出看了一眼倒觉得模型挺无辜的。这句话作为提示词几乎不携带任何约束信息没说明写给谁、用在什么渠道、希望多长、要不要数据案例、是科普还是深度分析。大模型只能按照训练数据里“关于数字化转型的文章”的平均长相去生成结果自然是既不惊艳也不出错。提示词工程之所以值得专门练恰恰是因为它把“怎么把需求说清楚”这件事变成了一套可复制的方法而不是靠碰运气。我一直建议身边人用一个比喻来理解提示词工程你把一个新人实习生叫到工位前只丢下一句“帮我写个方案”他大概率会懵。但如果你告诉他背景、目的、受众、篇幅、格式、参考案例、绝对不能出现什么他交付的东西立刻就不一样了。大模型比实习生更极致的地方在于它真的会把你给的每一句话都当成约束条件只是它不会主动追问。所以提示词的质量直接决定了交付物的质量。1.1 一个反面例子模糊提问为什么必然得到模糊答案“请帮我写一篇关于数字化转型的文章”这句话到底缺了什么我一般会带着团队做一次“需求字段拆解”拆完你就知道模型为什么只能给出一篇平庸的文章。它没有主题到底写数字化转营销、组织架构还是技术底座它没有受众是写给CEO看的战略报告还是写给一线执行者的操作指南它没有用途是公众号推文、朋友圈文案还是内部培训材料它没有篇幅和结构要求是800字短评还是5000字深度长文它没有风格要求是理性分析还是案例故事驱动它没有参考示例模型只能自己拿主意。这些字段全部缺失的时候模型做的事情其实是概率平均把见过的所有“数字化转型文章”的常见开头、常见段落、常见金句混合在一起生成一篇“最像文章的文章”。你看着它觉得空泛是因为它本来就没有一个具体目标。这也解释了为什么很多人换一个Prompt模板效果立刻变好——不是模型变聪明了而是你第一次给了它足够明确的坐标系。1.2 提示词工程到底在优化什么往本质说提示词工程优化的是三件事。第一目标明确度。模型必须清楚最终交付物是什么是一段代码、一份表格、一篇文案还是一个决策建议清单。第二约束完整度。模型需要知道边界在哪里包括字数、格式、语气、禁止事项、必须包含的信息点。第三输出可校验性。好的提示词生成的输出一定是可以检查的要么能对照原始约束逐条验证要么能作为下一轮迭代的输入继续加工。很多人误以为提示词工程是寻找某个“魔法咒语”好像只要加上“请你认真思考”效果就会翻倍。实际上它是一个信息组织的过程把任务描述、背景材料、验收标准、负面约束组织成模型容易理解的结构。你优化的是信息传递的信噪比而不是模型的神秘参数。1.3 这批技巧适合谁这套技巧的适用人群比想象中广。AI产品经理可以用它拆解用户需求把模糊的交互意图转成稳定的系统提示词内容运营可以用它批量产出初稿再人工润色程序员可以用它生成代码片段、写测试用例、辅助排查报错学生和职场人可以用它把资料压缩成笔记、把想法扩写成方案。甚至你只是想让大模型帮你写一条生日祝福短信提示词工程都能让结果更贴合你的心意。下面这10个技巧我按“提问—约束—优化”三个阶段来组织。它们不是堆砌出来的理论清单而是我在实际工作中反复用过、确实能提升输出质量的工具。2. 十个技巧按“提问—约束—优化”三个阶段拆开用如果你去翻各种提示词教程会发现技巧名字五花八门。但真正高频有效的翻来覆去就是那十几个。我按使用顺序把它们压缩成10个分成三组先学会提问再学会设边界最后学会迭代优化。这个顺序本身就是一条完整的工作流。2.1 提问阶段把模糊问题翻译成清晰任务技巧1角色代入。很多人用过“你是一个资深HR”这类开头但效果不稳定。问题出在角色描述太单薄。有效的角色代入至少要包含三个信息角色的身份、角色的经验范围、角色此刻要做的决策。对比一下反例是“你是一个资深HR帮我写一份招聘JD”正例是“你是有10年互联网行业招聘经验的HR现在要为一个在线教育公司招聘产品经理请基于以下背景撰写一份能吸引中高级候选人的JD”。后者为什么更有效因为“招聘经验”“互联网行业”“在线教育公司”“中高级候选人”这些词把模型调用知识的方向圈定了它生成的内容会更贴近特定场景而不是泛泛而谈。技巧2目标倒推。顺着“我要什么”容易说不清不如先描述“最终交付物长什么样”。比如你想要一份周报直接说“帮我写周报”模型会给你一个四平八稳的模板。但如果你说“我需要一份发给总监的周报包含数据进展、风险问题和下周计划三个部分数据部分要有明确的涨跌数字长度控制在400字以内”模型的输出空间就被压缩到一个非常具体的坐标里。目标倒推的本质是先定义验收标准再让模型倒推内容。技巧3提供示例。大模型非常擅长模仿你给一个例子它就能批量产出同风格的内容。这个方法叫少样本学习也是目前公认最有效的提示词技巧之一。使用时有几个细节容易踩坑示例最好覆盖边界情况。比如你要模型把用户评论分成“吐槽”和“夸赞”两类不能只给一个“很好用”当夸赞例子还要给一个略带否定但实际好评的边界例子比如“功能很强就是价格有点贵不过还是推荐”。示例本身要标注清楚哪个是正例、哪个是反例、分别对应什么分类不要丢给模型一段无标注文本让它自己悟。技巧4任务分解。让模型一次生成长文很容易翻车前面铺垫太长核心观点到后面反而被稀释。更稳的做法是拆成子任务。先要求“列出文章大纲”等大纲确认后再要求“按大纲第一部分扩写”。这不是多此一举而是把一个大问题的复杂度拆小让模型每一步都在处理一个清晰目标。实际测试中分步生成的长文比一次性生成的长文更可控修改成本也更低。2.2 约束阶段给模型画一个明确的边界技巧5格式约束。这是最容易被忽略、也是性价比最高的技巧。如果你后续要解析模型输出直接声明“输出为JSON格式包含title、summary、keywords三个字段”就能省掉大量清洗工作。如果只是给人看也可以要求“用Markdown表格输出”让信息结构一目了然。模型本质上是概率生成格式约束不是在限制它而是在帮它减少“到底用列表还是用段落”的决策负担。技巧6负面指令。很多教程会让你的提示词里写上“不要做什么”但只说“不要”是不够的。模型收到“不要用专业术语”之后可能会换一堆生僻词或者干脆整段变得不伦不类。更有效的写法是负面指令之后紧跟替代方案。比如“不要使用专业术语如果必须出现术语请在括号内用一句话解释”。这样模型既知道什么不能做也知道该用什么方式补位。技巧7受众与语气指定。同一件事讲给 CEO 和讲给一线运营措辞完全不同。提示词里明确写出受众和语气等于给模型的词汇选择范围加了一层过滤器。例子“这篇说明是写给刚入职的运营新人的语气平和多用生活中的类比避免堆砌行业黑话。”你会发现输出里的每句话都开始像人话而不是在复述百科词条。技巧8长度与结构控制。单纯写“写短点”几乎无效因为模型对“短”的理解没有参考系。要给出具体可量化的结构“分为三个小节每节字数控制在150字左右分别讨论原因、案例和建议。”结构比字数更重要因为模型一旦有了章节骨架长度也会自然收敛到合理范围。如果你想控制得很精确还可以说“每节用3个短句总字数不超过200字”。2.3 优化阶段把一次回答变成可迭代的工作流技巧9追问与修订。很多人把第一次生成的回答当终点其实模型最好的用法是“多轮对话迭代”。我的习惯是“修改三步法”先指出问题再给方向再给示例。比如“第二段缺少数据支撑请补充一个真实可查的行业数据案例参考你刚才提到的用户留存案例的写法”。这样模型不是在盲目重写而是在一个明确的方向上调整。迭代三四轮之后输出质量通常会有质的提升。技巧10让模型自评。这是被很多人低估的技巧。在提示词末尾加上一句“请检查上述内容是否满足原始要求列出3个改进点然后输出修改后的完整版本”模型就会切换到审校模式先发现自己的问题再动手改。实际操作时我会把这一步作为默认流程所有重要内容生成后都让模型自己批判一遍。它有时会发现人类看不出来的逻辑漏洞比如前后数据口径不一致、某个结论缺乏论据支撑或者语气突然跳出了前面的设定。3. 模板库五套能直接替换变量的提示词骨架单独讲技巧容易散直接上模板才是最高效的落地方式。下面这五套模板是我日常使用频率最高的变量统一用【】标出复制后替换成自己的内容就可以用。有几个通用原则先说一下变量不要留空留空等于让模型替你猜背景信息越具体越好负面指令要写得可执行不要写“不要写得差”这种没法判断的废话。3.1 结构化写作模板这套模板适合公众号文章、产品介绍、工作方案等一切“有明确目标读者”的写作任务。你是一位擅长【领域】写作的资深作者文风偏【风格如理性克制/故事性强/逻辑清晰】。 现在要写一篇关于【主题】的内容发布在【渠道如公众号/内部文档/知乎】读者是【受众如运营新人/企业高管】。 文章目标是【想让读者看完后做什么/知道什么】。 请按以下结构输出 1. 开头用【一个具体场景/一个反常识结论】引入 2. 主体分【N】个部分每部分先给观点再用一个真实案例解释 3. 结尾给出一句可转发的话 总字数控制在【字数】左右。 不要使用【需要避免的词/风格】如果必须出现请在括号内补充解释。我用这套模板替团队写过不下几十篇文案最大的体会是“开头用什么引入”这个变量最关键。你规定了场景或结论模型就不会用“在当今时代”这类万能开头。3.2 数据分析解读模板做数据分析的同学经常要写结论这套模板能把“数据描述”转成“数据洞察”而不是让模型把表格里的数字复述一遍。以下是某【业务场景】的数据请基于数据做一次解读 【把数据用文字或表格粘贴进来】 请输出三个部分 1. 核心发现列出最重要的3个变化趋势每个趋势附上对应数据指标 2. 可能原因结合业务常识分析每个变化背后的潜在原因标注“推测”或“确定” 3. 可执行建议给出3条可落地的改进动作每条建议说明预期效果 要求不要编造数据不要补充数据中不存在的信息如果数据不足请明确指出现有数据的局限。这条模板特别强调“不要编造数据”。模型在生成归因时很容易自由发挥必须把“基于已知信息”写进约束里。3.3 代码审查与调试模板程序员用提示词最容易犯的错误是把一堆报错直接丢给模型然后期待一个神仙答案。实际上给足上下文效果会好很多。你是熟悉【语言/框架】的资深工程师。 下面这段代码运行在【环境描述】中期望实现【功能描述】 当前表现是【实际现象】报错信息如下 【贴入报错/代码】 请按以下格式输出 1. 问题定位分析可能的原因按概率从高到低排列 2. 修复方案给出修改后的完整代码并用注释标明改了什么 3. 验证步骤告诉我在本地环境如何复现并验证修复是否有效 4. 防复发建议这类问题未来如何提前发现 注意如果信息不足请列出需要我补充的上下文不要猜测。3.4 学习总结与知识压缩模板当你需要快速消化一篇文章、一份报告或一段视频文字稿时这套模板能把原素材压缩成结构化的知识卡片。你是高效学习教练。请将以下素材压缩成一份学习笔记 【粘贴原文】 笔记结构要求 1. 一句话概括用不超过50字说明素材核心观点 2. 核心论点列出3-5个主要观点每个观点用一句原文佐证 3. 关键案例提取素材中最有说服力的1-2个案例 4. 争议与局限指出素材中可能存在的逻辑缺口或未讨论的问题 5. 行动清单基于素材内容给出3条可以立即执行的行动建议 语言风格用通俗易懂的比喻解释复杂概念避免术语堆砌。3.5 创意生成与方案评估模板创意类任务最大的坑是“一次订终身”。让模型只给一个方案好坏的参照系都没有。这套模板强制它先生成多方案再做评估最终选择会稳健得多。你是【领域】资深策划请围绕【主题】生成3个风格差异明显的方案。 每个方案包含核心创意点、执行步骤、预期效果、潜在风险。 方案生成后请按照以下标准进行打分满分10分 - 可行性【权重】% - 创新性【权重】% - 成本控制【权重】% 最后给出推荐方案并说明理由。 要求3个方案不要相似哪怕有一个方案是明显激进的也没关系。4. 组合技巧的进阶玩法当单一技巧不够用时的调度思路十个技巧单独都能用但真实场景里很少有人只靠一个技巧就能拿到满意结果。我做提示词调试时90%的时间是在做组合用角色代入定基调用格式约束定结构用负面指令定边界最后用自评来收尾。4.1 先拆解再逐个击破一次完整的组合示例举一个真实做过的案例。我曾帮团队写一款企业内部工具的产品发布文案目标是发在全员群和内部博客读者是完全没有技术背景的行政部门同事。如果直接问模型“帮我写产品发布文案”结果可想而知。当时的工作流分四步。第一步任务分解。先让模型列出文案大纲包括“这个工具解决什么问题”“使用步骤”“常见问题”三个板块。第二步角色代入。告诉模型“你是这家公司的内部沟通专员了解行政部门同事的使用习惯”。第三步格式约束。要求每个板块用“一句结论一段解释”的结构输出总字数600字以内。第四步负面指令。明确说“不要使用API、数据库、前端后端等术语如果必须出现用一句话解释”。最后再加了一句自评“请检查是否还有任何可能被非技术同事误解的表述并给出修改后的完整版本。”这套组合流程下来生成的文案基本就是可直接发布的状态。技巧的组合不是简单叠加而是让每个技巧承担一个具体职能。4.2 模板的中段修正一次生成不满意时先改哪几个变量组合使用过程中最常见的问题是“生成结果不满意到底该改哪里”。我给团队总结过一套快速诊断表对照现象直接找调整方向。输出现象大概率缺什么优先调整哪个变量内容空洞、套话多缺目标倒推或受众指定先补充“读者是谁”“看完要做什么”内容偏题、东扯西扯缺任务分解或结构约束先要求“列出大纲”再往大纲里填内容语气不对、太官腔缺角色代入或语气指定增加“你是什么身份”和“请用XX风格写”格式混乱、难以使用缺格式约束直接声明输出为表格/JSON/固定分节深度不够、像百科缺示例或负面指令给一个高质量对照示例同时禁止泛泛表述数据疑似编造缺“只依据以下资料作答”约束在提示词中加入信息边界限定这条链路几乎是万能的。如果一次生成结果不满意不要立刻把整段提示词推翻重来而是先判断属于哪类问题只改对应变量保留其余部分。这样调优更快也不会破坏已经有效的设定。4.3 从单轮Prompt到提示词工作流再往前走一步你会发现提示词工程并不是“一次输入、一次输出”的事而是一套工作流。所谓提示词工作流就是把一个大任务拆成多个小任务每个小任务用一条独立的提示词完成前一步的输出作为后一步的输入。我常用的三段式流程是先规划、再生成、后审校。规划阶段只让模型输出大纲或方案不急着写内容生成阶段按大纲逐步填充细节审校阶段让模型用第三视角检查逻辑和语气。每段流程的提示词都相对短小模型反而更专注。这个思路特别适合长文、代码重构、数据分析这类复杂任务也比单个超长提示词更稳定。你可以把每一段流程的提示词都存进文档或笔记工具积累成自己的模板库下次同类任务直接调用不用重新设计。5. 实测中的翻车现场与边界提示词工程解决不了什么这篇内容写了这么多实用技巧但我还是想在最后泼点冷水。提示词工程不是万能钥匙它解决的是“表达和组织信息”的问题解决不了模型本身的能力边界问题。5.1 幻觉问题提示词无法保证事实正确大模型在生成过程中会一本正经地编造事实这不是提示词能完全修正的。你可以把约束写得再严格模型依然可能在信息空白处自我发挥。应对办法不是放弃而是给模型划定信息来源边界。比如在提示词中明确写“只依据以下文档内容回答不要补充任何外部知识如果文档中没有相关信息请直接说‘资料中未提及’。”这样能把幻觉概率显著降低但仍然不能做到100%可靠。涉及数据、法规、医疗等高风险场景人工核对始终是最后一道防线。5.2 上下文窗口技巧再多也装不下无限信息另一个边界是上下文窗口。很多人拿到一份5万字的资料想一股脑全塞进提示词结果要么被截断要么模型根本没处理到后面部分。技巧再丰富也解决不了物理限制。更务实的做法是分阶段处理先让模型对长文做分层摘要把每个章节压缩成几句话再带着摘要做分析和判断最后只把关键片段作为引用的证据补充到提示词里。这本质上是在做信息降维而不是让模型一次性读完全部内容。5.3 排查提示词问题的标准链路最后给一套排查提示词问题的标准链路所有技巧都失效的时候就用它。第一步检查输出是否偏题。如果偏题大概率是目标没写清楚回到技巧2重新定义交付物。第二步检查格式是否符合预期。如果格式不对回到技巧5把格式要求写得更具象。第三步检查语气和内容风格。如果不符回到技巧1和技巧7。第四步检查内容是否过浅。如果太浅多半是角色代入太单薄或者任务拆分粒度太粗加上示例和负面指令再试一轮。按这个顺序排查绝大多数问题都能定位到具体的提示词变量。排查完之后记得把这条链路遇到的问题和解法写回自己的模板库。我自己的习惯是每次跑通一个有效提示词就把变量抽成模板存进本地文档标上适用场景和踩坑记录。几个月下来这个文档就成了最值钱的工作积累。提示词工程真正拉开差距的地方不是谁记的咒语多而是谁积累的模板更贴近自己的真实业务。