跟AI打了这么久交道我越来越确定一件事大模型本身的能力差距远没有“提示词质量”的差距来得明显。同样是ChatGPT、同样是Claude有人三句话就能让它写出能直接用的周报有人来回磨了半小时得到的还是一堆“正确的废话”。问题几乎都出在提示词工程上。这篇文章我会把平时自己实践下来最管用的10个提示词技巧全部列出来每个技巧都配一个小案例还有可以直接抄走的提示词模板最后会整理一份模板库的搭建思路帮你自己沉淀一套适合业务场景的提示词库。不管你是写文案、做分析、写代码还是处理办公文档这些技巧都能立刻用上。我会尽量用大白话讲不整一堆学术名词你只要有基础的对话经验照着我给的模板改一改基本马上就能看到效果。1. 提示词工程到底在解决什么问题1.1 你不是不会提问是没看清大模型的工作方式很多人会把提示词工程理解成“教你怎么跟AI客气说话”或者“背几个咒语一样的固定句式”我觉得都不够准确。我更愿意把它理解为你和大模型之间的一种“需求对齐”方式。大模型本质是一个根据前文预测后文的系统你给它一段话它就顺着这段话的语言惯性往下生成。这意味着你在提示词里放进去的信息结构、语气风格、关键词顺序、约束条件都会实打实影响它的输出。拿“写一封请假邮件”来说。你直接说“帮我写一封请假邮件”它也能写但大概率写得很泛谁都能用。但如果你告诉它我是项目负责人需要向直属领导请假3天理由是家里有事之前负责的两个项目需要同步交接安排语气要正式但不要太生硬字数控制在300字以内最好附上工作交接方案。这个输出的质量和第一条完全不是一个量级。这不是玄学而是因为大模型从你的提示词里获取了更多可供建模的上下文。你给的信息越结构化、越具体它的生成空间就越小输出就越符合你的预期。提示词工程本质上就是在做两件事一是把需求讲清楚二是把模型的生成方向引导到你的目标区域里。把这个逻辑想透了后面所有技巧都是在围绕它展开。1.2 提示词工程的三个层次清晰、引导、约束我自己会把提示词能力分成三个层次。第一层是“清晰”也就是把需求说清楚不产生歧义。很多翻车案例问题不出在模型而出在用户自己都没想明白要什么。第二层是“引导”通过角色、示例、推理步骤等方式让模型用更合理的方式组织信息。第三层是“约束”用明确的规则限制输出的格式、长度、语气甚至价值观方向。这三个层次正好对应后面要讲的10个技巧。角色设定和上下文铺垫解决“清晰”结构化输出和示例引导解决“引导”约束条件、格式规范和负面提示解决“约束”。如果三者都做得好提示词基本就是“专业级”的了。还有人会问提示词工程是不是只在特定模型上有效我实测下来的感受是不同模型对提示词的敏感度差异很大但整体上“结构化、清晰的提示词”在任何模型上都不会太差。提示词工程属于一种“向上兼容”的能力哪怕以后模型升级了你掌握的方法论依然不会过时因为这些方法背后的本质是“人类如何更高效地传达意图”。1.3 什么样的提示词算“好提示词”判断一个提示词好坏标准不是“模型给出的答案让我满意”。因为答案是否满意这件事太主观也跟模型本身能力有关系。我更看重三个可迁移的指标可复现、可控制、可迁移。可复现指的是同一条提示词在相同模型下多次运行输出质量波动不大不会时好时坏。可控制指的是当需求细节变化时你能通过小修改控制输出方向而不是重写整条提示词。可迁移指的是把这条提示词从一种任务场景搬到另一种场景只要稍改变量就能用而不是每个场景都必须从零开始。这也是为什么一定要沉淀模板库。提示词不该是每次临时现编的聊天内容而应该是你专业能力的一部分是能积累、能迭代、能复用的资产。下面这张表是我整理的10个技巧的速查你可以先存下来后面每一个我都会详细拆开讲。编号技巧解决什么问题一句话要点1角色设定法输出缺乏专业感“你是一名XXX有XX年经验”2上下文背景填充法输出过于通用把5W1H背景写进提示词3结构化输出模板输出没有结构在提示词里画出想要的骨架4示例引导Few-shot风格和格式不对先给1-3个高质量样例5思维链提示逻辑推理容易跳步“请一步步推理再给结论”6分步任务拆解法复杂任务一次搞不定拆成多个子任务逐轮处理7约束条件清单法输出不满足限制把约束用清单逐项列出8格式指定与输出解析难以接入自动化指定JSON/CSV/Markdown等格式9负面提示套话多、方向跑偏明确列出“不要什么”10迭代追问策略首轮结果不理想基于上一轮反馈逐轮修正2. 立稳人设打好地基角色设定与上下文铺垫2.1 技巧一角色设定法角色设定应该算提示词工程里最基础也最立竿见影的技巧。它的核心就一句话给大模型指定一个身份让它在你的目标身份语境下回答问题。原理也不复杂。大模型在训练时见过海量不同领域、不同身份说话的语料比如律师怎么说话、产品经理怎么说话、段子手怎么说话这些语料在参数里形成了不同的分布特征。当你用“你是一名资深律师”开头时模型会下意识把后续生成的内容往“律师语料”的方向引导措辞、结构、专业词汇都会更接近那个身份。举个例子。你问“帮我分析一下合同里的风险”它可能给出一堆通用建议。但如果你说“你是一名企业法务有十年合同审核经验请帮我分析这份合同中我方作为乙方的风险点重点看违约责任、付款条件和保密条款三块”输出质量马上就不一样。你会明显感觉它开始像真正的法务同事在跟你讨论而不是一个什么都知道一点点的“万金油助手”。我通常推荐的角色设定模板是这样的你是[角色]拥有[经验/背景]。 我的目标是[具体目标]。 背景情况[简要背景]。 请以[风格/角度]给我建议。实际操作中有几个坑要特别注意。角色设定不能太笼统“你是一名专家”没有任何作用因为太模糊模型不知道要调用哪一套语料。要具体到领域、经验年限、甚至性格偏好比如“你是一位偏好数据驱动决策的增长黑客擅长用A/B测试验证方案”。另外角色设定之后还是要把任务说清楚不能只设置角色就不管了。角色是“氛围”任务是“目标”两者缺一不可。还有一点有些人会担心给模型设定“专家”角色会产生幻觉。确实有这个风险尤其是要求它引用具体法律条文、统计数据时。我的经验是角色设定适合用来调节文风、信息组织方式、专业深度但关键事实还是要你自己复核尤其是医疗、法律这类高风险领域一定不要因为它顶着“专家”头衔就全盘相信。2.2 技巧二上下文背景填充法上下文背景填充法和角色设定经常搭配使用但它解决的问题不太一样。角色设定解决的是“谁来答”背景填充解决的是“基于什么情况答”。举个例子。你让AI帮你写一份产品推广文案。你直接说“帮我写一篇推广文案”它只能写一个通用的东西因为它不知道你的产品是面向谁、卖点是什么、投放渠道是什么。但如果你告诉它这是一个面向25到35岁都市白领的轻食代餐产品主打低卡高蛋白最近要投放到小红书希望语气活泼一点突出“办公室下午也能吃”。它写出来的文案就完全不一样了句子节奏、用词、平台调性都会贴合。背景填充法的核心是把你人类脑海里默认知道的信息显式地告诉模型。很多人在日常沟通里会省略背景觉得“这么简单的事不用全说吧”但大模型没有你的生活经验它唯一的输入就是提示词。提示词里没有的背景它就只能自己脑补而脑补出来的东西往往不是你的真实情况。我建议的背景信息组织方式是按照“5W1H”的思路来梳理Who这个任务的受益者或目标对象是谁What需要完成的核心任务是什么Where内容最终用在哪里比如小红书、邮件、内部文档、代码库。When有没有时间要求比如在什么节点前完成。Why为什么要做这件事最核心的诉求是什么。How有没有偏好的方式、语气、结构。当然不是每次都要写完六个但当你发现AI给出的答案跑偏时第一反应就应该是“背景没给够”。这个技巧是所有技巧里性价比最高的一招因为成本几乎为零收益却非常直接。我自己在时间紧张的时候哪怕牺牲一点模板的精致度也一定会把背景写够再发出去。3. 把需求翻译成模型能懂的“结构化语言”3.1 技巧三结构化输出模板提示词工程里有一条黄金法则你想要什么样的输出就在提示词里画出什么样的骨架。这比在最后补一句“请用Markdown格式输出”要有效得多。比如写周报你别只说“请帮我写周报”你直接给它一个你想要的周报结构请帮我写本周的工作周报按照以下结构输出 ## 本周核心进展 列出2-4项最重要的成果每项注明完成度和影响 ## 本周遇到的问题 按严重程度排序并给出初步解决思路 ## 下周计划 不超过5项每项标注优先级 ## 需要协调资源 无则写“无”模型一旦看到这个结构它生成时就会沿着你设定的分节内容去填充。这不只是美观问题更重要的是它改变了模型的“注意力分配”。每个小节都是明确的生成目标模型需要逐一回应而不是笼统地写一段长文。这就像给一个自由惯了的外包员工发了非常详细的任务清单他会知道自己第一步做什么、第二步做什么效率当然高得多。结构化输出模板尤其适合两类场景一类是固定汇报场景比如周报、月报、会议纪要另一类是跨系统对接场景比如需要模型生成JSON、CSV、SQL语句再喂给下游工具处理。后面的技巧八还会专门讲格式指定但这里的重点是“结构先行”。这里也有个反面经验。我刚上手的时候喜欢把结构定得非常细连每个分点下面怎么写都写死结果模型输出确实很听话但内容非常机械失去了它最擅长的“润色能力”。后来我总结出结构可以定细但具体表达方式要留白你要的是“骨架归你、血肉归它”的合作关系。你定清楚有哪些部分、每部分包含什么信息但不要规定到每句话怎么写。3.2 技巧四示例引导Few-shot如果结构化输出模板是“给骨架”那示例引导就是“给样板”。它的核心做法是在正式提问之前先给模型1-2个输入输出样例让它照着这个样例的风格、结构去生成结果。为什么示例引导比单纯说“请写得简洁一点”有效因为“简洁”的定义对人和模型来说都不一致但如果你直接给它一个简洁的样例它马上就能抓住你要的节奏。大模型的模仿能力非常强给它几个高质量样例它就能从中抽象出规律。我用得最多的是文案改写和代码注释场景。比如请将下列口语化描述改成今天要发的工作群通知参考示例 示例输入下午三点开会 示例输出【会议提醒】今天下午3:00请各部门负责人到5楼会议室参加项目复盘会会议时长约1小时请提前准备上月数据。 现在轮到你了 输入周五之前把报销单交了示例引导要注意三点。第一示例数量不用太多1到3个足够太多反而会让模型“左右为难”不知道以哪个风格为主。第二示例要覆盖你关心的边界情况比如你希望它输出中英文双语那就把中英文都放到示例里让它知道两种语言是必须的。第三示例本身的质量必须高因为模型模仿的是你给它的“标准答案”如果示例本身就稀烂它只会学得更稀烂等于你把坏样例喂给它了。还有个小技巧示例引导和角色设定可以叠加使用。比如设定“你是资深产品经理”然后给出一个优秀方案示例再让它写第二个方案效果通常比单独用一种好很多。这种叠加方式在真实项目里非常常见模板库章节里我也会放一个组合模板。4. 复杂任务别硬拼思维链与分步执行4.1 技巧五思维链提示思维链提示是这几年最有名的提示词技巧之一最早是从大模型推理能力研究里火出来的。它要解决的核心问题是大模型在一步推理时容易跳步尤其在数学题、逻辑题、多条件判断这些任务上跳步就会出错。思维链的做法是让模型把推理过程拆成中间步骤一格一格往前走。你只要在提示词里明确加上“请一步步推理并输出中间步骤”或者“先分析再给结论”模型就会把隐式的推理过程显式化正确率常常会有明显提升。举一个最简单的例子。你问“一个项目计划用时20天已经过了75%还剩几天请直接给出答案”模型很可能想当然地输出一个错误数字因为它在预测下一个词而不是真的在口算。但如果你说“请先计算已用天数再算剩余天数然后回答”模型会先输出“20乘以0.75等于15天剩余20减15等于5天”答案就稳了。不过思维链不是万能的这里分享一些我的判断标准高复杂度逻辑任务数学、数据分析、代码逻辑审查必用创意写作写文案、起名字少用过多推理过程会压制灵感简单事实回答不用白白增加输出长度另外要注意提示词表述。如果任务是“给出一份评估”你可以要求它“先列出评估维度再逐项打分最后汇总结论”。这种“先结构后结论”的写法本质上也是思维链的变体但更适合职场场景不会显得太“学术”。4.2 技巧六分步任务拆解法这个技巧我愿称之为“提示词工程里的项目管理法”专门用于复杂到一次搞不定的任务。它的核心思想很简单不要试图在一个提示词里让AI完成所有事而是把大任务拆成多个小任务一轮一轮地推进。拿“写一份市场调研报告”来说如果你一上来就说“帮我写一份完整的市场调研报告”模型大概率会给你一篇看起来很有框架、但每个部分都很空的东西。正确做法是先让模型帮你列大纲请先为“XX产品进入XX市场”的调研报告列一个大纲 包含背景分析、市场规模、竞争格局、用户需求、进入策略五个部分 每个部分写出需要重点回答的2-3个问题。然后针对每个部分单独提问基于刚才的大纲请展开“市场规模”部分 需要包含XX市场近三年的规模数据如果无法提供准确数据请给出估算方法、 增长趋势分析、以及数据来源建议。这样每一步模型都知道自己当前的任务边界在哪输出质量会稳定很多不会东拉西扯。分步拆解还有一个隐藏好处每一轮你都能及时纠偏。如果第一轮大纲方向就有问题你只需要调整大纲再走一遍而不是等最后拿到一篇完整报告发现方向全错、再推翻重写。这个时间成本节省是巨大的尤其是面对长文档、复杂方案时一步到位几乎不可能。实际操作中分步任务拆解法适合以下场景长文写作、方案策划、代码开发、数据分析、学习计划制定。你可以理解为凡是需要多个章节或模块的任务都值得拆开做。相反一些简单到一句话就能说清的任务比如“给这句话改名”“帮我把这段话理顺”就没有拆的必要拆多了反而浪费时间和Token。5. 给AI划边界约束、格式与负面指令5.1 技巧七约束条件清单法这招是我自己在工作里用得最频繁的一个。它的本质是把所有你对输出的限制条件用清单的方式一条一条列出来让模型逐项满足。人脑处理多条件时容易漏模型也一样。如果你把条件散落在提示词里它可能关注不到但如果你用清单列出来它就会当成“待办事项”逐项对照。约束条件清单一般包含这几类字数范围、段落结构、语气风格、术语使用、禁用词、必含关键词、输出渠道适配、时间跨度等。我举个我实际用的模板请帮我写一封客户回访邮件需要满足以下要求 1. 总字数控制在200字以内 2. 语气专业但不生硬不要使用“亲爱的”这类不适合客户场景的称呼 3. 必须包含三个信息回访原因、回访时间建议、优惠说明 4. 结尾要引导客户回复确认但不要过度催促 5. 不要使用“打扰您”“抽空”这类容易引起负面联想的词。这样写出来的邮件基本就能直接发送了。注意约束条件清单要真的列成清单不要写成一大段话。把条件用数字序号逐项列出来模型识别的优先级更高因为它在训练数据里见过大量“编号条款”格式天然会跟着逐条走。这里分享一个踩过的坑约束条件不是越多越好。有段时间我为了追求“精准”把一条提示词塞了十几个限制条件结果模型输出变得非常生硬感觉是在“戴着脚铐跳舞”。后来我给自己定了一个原则只保留对结果影响最大的5个左右约束。如果一条约束的缺失不会导致输出明显变差就果断删掉。输入端的简洁往往能换来输出端的自然。5.2 技巧八格式指定与输出解析这个技巧更偏向技术一点特别适合需要把AI输出接入自动化流程的场景。核心方法是明确要求模型输出指定格式的数据结构比如JSON、Markdown表格、CSV、XML或者纯文本的固定格式。最常见的场景是把AI当成“信息抽取器”。比如你有一堆客户反馈文本想提取关键信息形成结构化数据提示词可以这样写请从下面的客户反馈中提取关键字段并输出为JSON格式 { 客户情绪: 正面/中性/负面, 核心诉求: 一句话概括, 涉及产品: 产品名或未知, 建议优先级: 高/中/低 } 客户反馈xxxxxxxx指定格式之后模型会在你给定的框架内填内容这比让它自由发挥然后你再手动解析靠谱得多。使用这个技巧时有个常见问题模型输出的JSON偶尔会带多余文字比如“以下是JSON”这种前缀或者末尾多了个句号。这个问题在不同模型上严重程度不一样。我的应对方法是在提示词里明确加一句“只输出JSON不要输出任何解释和标记”然后如果偶尔还不干净就用一段正则或者字符串清理脚本做兜底。在对话场景下可以不那么严格但如果接入自动化流程一定不要省掉“只输出XXX”这一句。对于不太懂代码的读者格式指定也不难理解。你可以把模型想象成一个外包员工它能力强但习惯多嘴你要做的就是写好“交稿规范”。规范越明确验收越轻松。哪怕你不会写代码让自己输出的内容以表格、清单或者固定分行方式呈现也能减少很多整理时间。5.3 技巧九负面提示很多人在提示词里只告诉AI“要什么”很少告诉它“不要什么”。但实际上负面提示在大模型时代非常重要因为模型的通病是“用力过猛”和“套话泛滥”。你要是不管它它大概率会给你一堆“首先、其次、最后”“在这个快节奏的时代”之类的正确废话。负面提示的做法是把你不希望出现的元素明确列出来。举几个实际例子请修改这段文案要求 - 不要使用“首先、其次、最后”这类过渡词 - 不要使用“赋能”“抓手”“闭环”等空泛的职场黑话 - 不要以“总而言之”结尾 - 不要输出超过5行。负面提示的关键在于“具体”。你说“不要写得太差”模型不知道什么叫太差但你说“不要出现‘很非常特别’这类副词堆叠”它就懂了。负面提示越具体效果越好比如直接列出某个重复出现的词或者某种固定的开头方式。不过负面提示也有局限性。有时候模型会在“不要XXX”的理解上犯轴比如你说“不要提到竞争对手A”它反而反复强调“我这次没有提到A”。这种情况通常发生在负面指令过于强调某个敏感点的时候。我的经验是负面提示尽量放在提示词末尾用简短的清单列出来不要在前面用大段文字强调“绝对不要、千万不要”否则反而会引导模型注意到那个点。还有个高级玩法是把正面要求和负面提示结合起来。比如“语气要温和但不要使用道歉式开场白”“内容要有数据支撑但不要编造具体数字”。这相当于同时设定目标区和禁区模型的方向感会特别强既知道该往哪儿走也知道哪里不能踩。6. 追问、迭代与模板库沉淀6.1 技巧十迭代追问策略十个技巧里如果非要选一个最容易被低估的我会选这个。很多人用AI是一次性问答问完不满意就重开对话、换个问法效率很低。但真正熟练的使用者会把AI当成一个“需要两三轮磨合的协作对象”用迭代的方式逼近最终答案。迭代追问策略的核心公式是初稿加反馈加修改。第一轮提问重点关注“方向对不对”而不是“细节精不精”。拿到初稿后圈出需要调整的地方然后逐轮下发新的要求。比如写方案时第二轮可以这样说你刚才的方案整体逻辑可以但存在几个问题 1. 第二部分的市场分析太泛请补充具体的目标客群画像年龄段要更聚焦 2. 执行排期太理想化请改成按周滚动推进的节奏 3. 最后的风险预案部分请增加技术方案变更的风险应对。 请基于以上反馈重新整理一版完整的方案。你会发现经过两三轮迭代后输出的质量往往会远超“一次到位”的结果。因为每轮迭代都在用你的专业判断去校准模型输出的方向这是一个“人类控思路、模型控表达”的协同过程。我对它的定位是提示词工程里最高级的技巧但门槛反而最低只要克服“一次问完”的心理就行。迭代追问还有一个技巧尽量用“基于你刚才的回答”来开启下一轮这样模型会延续上一轮的上下文而不是重新开始。如果你开一个新会话重新提问往往等于推倒重来上下文积累就全部丢失了。这一点在长任务处理时特别重要比如写方案、写代码、做调研上下文连续性直接决定最终质量。有人可能会担心迭代太费时间。我的体会是一次高质量提问加上两轮精准反馈平均比“全部靠自己写”要快3到5倍远比重试5次碰运气快得多。更重要的是迭代的过程会让你对任务的理解越来越清晰这也是对个人成长的正反馈。6.2 模板库的搭建与管理思路附模板库最后聊聊模板库。前面九个技巧加上迭代追问本质上都是“单次作战能力”但真正能让你持续受益的是把这些能力沉淀成模板库实现“一次构建、多次复用”。我自己的模板库分为四类角色型模板适用于需要某个专业身份的场景比如“你是一名数据分析师”“你是一名产品运营”核心是角色描述加任务边界加输出风格。任务型模板适用于固定任务比如周报生成、会议纪要、客户邮件、方案大纲这类模板已经跑通改掉变量就能用。格式型模板适用于需要结构化输出的场景比如JSON抽取、表格转换、Markdown排版这类模板对技术同学尤其友好。纠错型模板适用于修改润色场景比如“把这段文字改得更口语”“把这封邮件改得更正式”“把这段代码加注释”这类模板往往结合负面提示使用。下面给两个可以直接抄走的模板示例。周报模板任务型加角色型组合你是一名[岗位/角色]。 请根据我提供的本周工作记录帮我写一份周报。 工作记录[粘贴工作记录] 要求 1. 按照“核心进展—问题复盘—下周计划”三部分组织 2. 每部分不要超过5个要点能用数字说明的尽量量化 3. 语气客观不要使用“非常”“很棒”等主观词 4. 总字数在400字左右。信息抽取模板格式型你是信息提取助手。请从下面的文本中提取字段输出为JSON。 字段说明 - title: 文本标题或主题字符串最多20字 - people: 涉及人物数组无则填空数组 - date: 涉及日期字符串无则填空字符串 - urgency: 紧急程度枚举值为高/中/低 - summary: 一句话摘要不超过30字 只输出JSON不要输出解释。 文本xxxxxxxx模板库的维护方法也很简单只需要三步。第一每次在对话中遇到“这条提示词效果很好”的瞬间立刻把它复制到一个专门的文档里顺手标注适用场景和示例。第二定期回来清洗整理把重复的合并、失效的删除保留核心变量用[变量]的形式替换具体内容。第三给每条模板加一个状态标记比如“试过没”“反馈如何”逐渐筛选出真正高性价比的模板。这个习惯坚持几个月你会拥有一份越用越值钱的个人资产。提示判断模板是否值得收进库里的标准是“是否重复使用超过3次”。偶尔用一次的内容记个笔记就够了高频任务才值得沉淀成提示词模板。我自己刚开始接触提示词工程的时候也是一路踩坑过来的。那时候总觉得“问得越详细显得越外行”后来才明白在这个领域能把需求和条件讲得清清楚楚的人才是真正的高手。如果你想快速开始我的建议是先别贪多把角色设定、结构化输出、约束条件清单这三个技巧练熟它们能覆盖日常生活中80%的需求。剩下的技巧等你遇到具体场景时再去翻模板库自然会用起来。提示词工程不复杂但它确实需要一点点刻意练习。希望这10个技巧和这套模板库思路能帮你把跟AI配合的效率提上来。后面我会继续在实际项目里沉淀更多模板到时候再回来跟大家分享。