写提示词这件事我琢磨了差不多两年。最开始跟绝大多数人一样觉得“把需求说清楚”就行了后来在反复打磨同一批任务时发现同样一个问题换一种问法AI 给出的结果质量能差出好几个量级。这不是玄学也不是靠运气而是有一套可以系统复制的方法。这篇东西我把平时积累的 10 个能立刻上手的提示词技巧整理出来全部配有可直接复制的模板涉及任务拆解、格式控制、角色设定、迭代调优这几个最常见的实战场景。不管你是刚开始接触 AI 工具的新手还是已经被“AI 回答太泛、太虚、不听话”折磨过一阵子的老用户这份清单都能直接拿去用。1. 角色设定一句话让 AI 进入“专业状态”1.1 为什么角色设定比你想象中更重要很多人用 AI 的时候给它的身份是模糊的。你问“帮我写一段产品介绍”它默认会用一种“通用营销腔”回你——四平八稳什么行业都能套什么行业都不出彩。但如果你先告诉它“你是一名有 8 年消费电子行业经验的产品经理”它的措辞、关注点、信息密度会立刻不一样。原因在于大语言模型在训练时接触了大量带身份标签的文本给它一个明确角色相当于激活了与这个角色相关的知识分布。简单说你把它当专家它才可能给你专家的回答你把它当打杂的它就给你打杂水平的内容。我见过很多教程说“角色设定就是加一句‘你是专家’”这其实只做对了一半。真正有效的是把角色的经验年限、行业、立场、性格一并交代清楚。举个例子你让 AI“扮演 HR”它给出的面试建议大概率是教科书式的但你让它“扮演一位在互联网大厂做了 6 年招聘、尤其擅长识别简历水分和压力面试的 HR”它给的提问话术、考察点、风险提示就会具体很多。因为角色越具体模型能调用的知识越精准输出就越不会飘。1.2 角色设定的标准模板与实测案例我平时用的角色设定模板长这样你是一名 [具体身份 经验年限 行业/领域] 的 [职业角色]擅长 [1-2 个核心能力]。请基于以下背景完成 [具体任务]。背景信息[把关键约束、目标读者、使用场景写清楚]任务要求[要做什么、不要做什么、交付形式]拿真实场景测试一下。我让 AI 帮忙写一份“智能门锁的用户说明书摘要”用两种提示词对比普通版“帮我写一个智能门锁的说明书摘要。”角色版“你是一名有 10 年智能家居产品文档撰写经验的资深技术编辑擅长把复杂的安装流程和联网配置讲得让 60 岁老人也能看懂。请写一份智能门锁的说明书摘要重点突出安装注意事项、首次配网步骤、应急开锁方式语言要口语化避免术语堆砌。”结果差异非常明显。普通版给的是“产品支持指纹、密码、钥匙三种开锁方式”这种干巴巴的功能清单角色版则直接给出了“安装前先检查门厚是否在 40mm-80mm 之间”“配网时手机和门锁距离不要超过 2 米”“遇到电池耗尽又忘记密码的情况先找到底部隐藏的 Type-C 应急供电口”这类有真正使用价值的内容。同一个模型仅仅是开头加了身份设定产出质量天差地别。实操心得角色设定放到提示词最前面优于放到中间或末尾。模型在生成时对靠前内容的注意力权重更高放在开头更容易让后续所有输出都带上有色眼镜。另外不要一次堆太多角色属性三到五个关键标签就够多了模型反而会“选择困难”输出四不像。2. 任务拆解把大问题切成 AI 不会糊弄的小步骤2.1 AI 为什么会“偷懒”根源是任务颗粒度太大你有没有遇到过这种情况让 AI“帮我分析一下当前新能源市场的竞争格局”它哗啦啦给你写了一千多字看着好像什么都说了细看全是正确的废话——没有数据、没有对比、没有观点。这不完全是模型的错而是你给的任务范围太大了。模型的目标是生成“看起来合理的文本”在任务边界模糊时它倾向于用平均值来填充内容而不是提供深度洞察。解决思路其实不复杂把一个大任务拆成多个小任务每个小任务有明确的输入、处理逻辑和输出形式。这还是认知心理学里的“工作记忆”限制——一次性交代太多维度模型也处理不过来。你让它“写一份行业分析报告”不如让它先“列出三个关键分析维度”再逐个维度展开最后再汇总成稿。每一步它都能专心做好一件事最终质量自然上去。2.2 拆解模板一次性给 AI 建好“流水线”这里给你一个可以直接套用的拆解模板我称它为“三步流水线法”任务最终目标是 [描述你要的最终成果]。第一步请先输出一份完成该任务所需的大纲包含 [数量] 个关键模块第二步针对第一步大纲中的第 [N] 个模块详细展开 [具体产出要求]第三步检查上面两步的结果指出其中逻辑不连贯、信息缺失或表述不准确的地方并给出修改版。拿“写产品发布会的媒体邀请函”举例。如果你直接说“写一份媒体邀请函”它写出来的东西确实能看但不会有针对性和传播点。用拆解模板我会这样下指令任务最终目标是写一份面向科技媒体的新品发布会邀请函。第一步请先列出这份邀请函应包含的 5 个核心版块第二步重点展开“产品亮点”部分要求结合当前行业痛点用对比方式说明这款产品解决了什么问题第三步通读全文检查是否有大词空话、信息重复将修改后的完整版本输出。拆解之后模型每一步输出的内容我都能检查、纠偏不会出现“生成了一大篇才发现方向错了”的尴尬。这也提示了一个很重要的操作习惯不要把提示词工程理解成“一次成型”它更像是一个“脚手架”你先搭好骨架再让 AI 在骨架上添肉。3. 少样本示例给一个例子胜过说十句形容词3.1 模型靠“概率”生成内容而示例能锁定风格和结构接着上面的话题如果你跟我一样曾经试图用“请用活泼一点的语气写”“要有网感”“要高大上”这类描述来让 AI 调整风格你大概率已经发现了这些抽象形容词模型其实很难稳定理解。同一个“活泼”它可能理解为加一堆感叹号和表情包跟你脑子里想的“睿智中带点小幽默”根本不是一回事。这时候少样本学习Few-shot Learning就派上用场了——你在提示词里放一个或多个“输入→期望输出”的例子让模型照着例子学。这个原理不复杂。大模型本质上是在做“下一个词”的概率预测你给的示例等于为它画了一条路径它的生成方向会被强烈地“锚定”在这条路径附近。比起你花大段文字描述“我想要什么风格”直接甩一个“就像这样别说废话、每个要点不超过两行”的例子效率高得多。3.2 正侧面对比模板快速锁定“要什么”和“不要什么”我的常规操作是给一组正反例。正面例子告诉模型“这就是我要的效果”反面例子告诉它“千万别写成这样”。模板长这样任务请根据输入文本提取其中的 [目标信息]并按指定格式输出。正面示例 输入”本小区将于本周六上午 9 点到下午 5 点进行电力检修期间电梯暂停使用7 层以上住户请提前做好出行安排。” 输出事项电力检修 | 时间本周六 9:00-17:00 | 影响电梯暂停 | 提示7 层以上住户提前安排出行反面示例不要这么做 输出小区要停电了大家注意一下周六电梯不能用高层请小心。请参照正面示例的格式和处理逻辑对下面的内容进行提取 [输入新文本]这里的关键是正面示例定义了输出的格式、信息颗粒度和语言风格反面示例则划清了底线让模型知道“口语化模糊表达”是错的。经过这样一轮示范之后模型在新输入上的表现会非常稳定。我在处理大量客户留言分类、评论情感分析时几乎每次都靠这招。只需要在第一次写提示词的时候多花五分钟搭好示例后面几十上百条数据都能稳定处理不用反复改稿。4. 范围约束用“白名单”思维锁定答案边界4.1 回答太泛是因为没有排除项AI 的一个出厂毛病是“过度生成”你问它一个问题它总想覆盖所有可能性导致每个点都浅尝辄止。比如说“什么是好的用户调研”它能给你列 20 条原则条条都正确但条条都用不上。问题就在于你只给了它一个任务领域却没有给它划定范围。边界不够清晰模型就会用更大的回答空间来“试错”试图覆盖你可能的期待。解决这类问题最有效的不是“请你聚焦一点”这种笼统请求而是做一个类似名单的东西允许涉及的范围、禁止涉及的内容、必须包含的时间范围、必须关注的用户群体全都明确写出来。这就是我常说的白名单思维——不是告诉模型“别跑题”而是直接告诉它“领域只包括这三点”。4.2 边界冻结模板让 AI 学会“克制”这里是我常用的一组范围约束模板请基于以下限定范围回答 [核心问题]必须覆盖的内容[必写项一][必写项二][必写项三]不要涉及的内容[排除项一][排除项二]回答长度[比如 300 字以内 / 5 个要点以内]受众水平[比如 完全没有编程基础的小白]举个例子我让人工智能写一份“3 月份小红书宠物账号运营计划”如果不限范围它会写“做好内容定位、提高互动、多平台分发”这些套话。用了约束模板后提示词变成请基于以下限定范围回答运营计划 必须覆盖春季换毛期的洗护选品内容方向每周 3 更的选题日历针对猫咪视频完播率低的优化手段 不要涉及抖音、B站等其他平台策略付费投流预算未定了 回答长度分 3 个版块、总共 600 字以内。输出内容立刻变得很具体有选题、有节奏、有执行细节可以直接往飞书文档里放。把约束写清楚AI 才能把力气用在你想让它用的地方而不是做无用功。避坑提醒范围约束不是越多越好。如果你列了十个“不要涉及”模型的注意力会被大量分散反而影响主任务的完成度。一般来说必覆盖项 2-5 个、排除项 1-3 个是比较合理的数据。5. 思维链让 AI 先推理再作答减少“一眼假”5.1 让 AI“说人话”——把隐藏的推理过程显性化如果你让 AI 直接回答一道需要综合分析的问题它会先跳过分析、直接给结论这个结论往往看起来像那么回事但经不起推敲。原因很现实模型其实是有推理能力的只是在你没有要求的情况下它倾向于用最短路径生成答案省掉中间思考环节。这就好比一个数学学霸做题他心算能力很强直接写了答案但没写步骤——你看到的就是一个来路不明的结果。思维链Chain of Thought提示词的核心就是强制要求模型“先把推理过程写出来再给出最终答案”。这个技巧在处理逻辑题、方案评估、数据对比、利弊权衡类任务时特别有用。它不需要你额外懂什么技术原理只需要在提示词里加一句话“请一步一步思考先列出判断依据再给出结论。”5.2 结构化推理模板把“因为所以”写进提示词我的标准模板是请按以下步骤处理 [问题]列出与问题相关的所有关键事实和约束针对每一个候选方案/答案分析其优势和劣势根据上述分析给出你的最终建议并说明理由。拿一个真实案例来看。我想让 AI 帮我在两种创业方案里选一个——做社区团购还是做宠物上门服务。直接问它大概率会说“两个都有前景建议结合实际情况”。用思维链模板它的回答变成了关键事实社区团购竞争激烈、毛利率偏低但现金流好宠物上门服务需求增长快、毛利率高但极度依赖人员技能和管理规范。方案对比社区团购适合有供应链资源的人宠物上门服务适合有线下服务团队管理经验的人。结论如果你没有供应链积累建议选宠物上门服务并且把服务标准做重形成壁垒。这个答案的颗粒度完全不一样了因为它被迫走了一遍分析路径。还有一个小技巧用“请先不要给结论先把你的分析过程完整写出来”这种句式阻止它提前下结论。让子弹飞一会儿推理质量会显著提升。6. 格式指定用模板框住输出告别“一坨文字”6.1 为什么你总是得到“没排版”的长篇大论这是很多人的痛点明明只要 200 字摘要AI 偏偏给你写 800 字明明想要一个对比表格它却给你两个自然段。跟人一样模型在默认情况下会回到它的“习惯输出”——也就是训练数据中最常见的自然段落形式。你不指定格式它就用默认格式。格式指定应该是提示词里最机械、也最实用的一招。甚至不需要什么逻辑只需要把“你要什么格式”直白地写出来用表格、用项目符号、分三级标题、每项不超过 20 字、结尾给一个结论区块。它对结果质量的提升是立竿见影的而且完全可复制。6.2 常用格式指令速查表我在日常工作中整理了一份格式速查表按需加在提示词末尾即可想要的输出形式提示词写法对比信息“以 Markdown 表格形式输出第一列是维度第二列是方案A第三列是方案B”清单类“用无序列表输出每个要点不超过 25 字最多 8 条”层级结构“用一级标题、二级标题和子要点组织内容层级不超过三级”会议纪要“按‘背景 / 决策 / 待办 / 风险’四栏整理每栏用列表列出”数据抽取“输出为 JSON 格式字段名包括姓名、部门、事项、截止日期”步骤教程“每一步的标题用加粗步骤说明不超过三行总步骤控制在 6 步以内”给你们看一个我实际用过的场景。让 AI 总结一份 20 页行业研究报告我给出的提示词是请阅读以下报告内容用表格输出核心信息。表格列包括核心观点、支撑数据如果有、对创业者的启示。每个核心观点用一行总结不超过 50 字。这样得到的答案可以直接贴进 PPT不需要再二次加工。格式指定还有一个隐藏的好处它会倒逼模型在填充内容时变得更简洁精准因为表格和列表没有给它写废话的空间。你也许会觉得给 AI“规定格式”是限制了它的发挥但事实证明限制恰恰是产出可用内容的前提。7. 上下文管理喂给 AI 什么它就长成什么样7.1 别让 AI“断片”上下文窗口里的信息管理术LLM 的“记忆”和人类不一样它不记得你上个星期跟它聊过什么也不记得你发在群里的资料。每一次对话它只能看到当前上下文窗口里的内容。所以想让 AI 回答得更准确就一定要把解决这个问题所需的背景信息、前置条件、参考材料主动放进提示词里。我给朋友做提示词咨询时见过太多人“把 AI 当成了合作伙伴”默认它应该记得之前的讨论。实际上只要聊天窗口一关甚至对话内容一会儿就被新内容覆盖它就全忘了。正确的做法是把你认为 AI 必须知道的信息都当作“上下文”显式地喂给它。7.2 结构化上下文模板三段式结构我的上下文组织方式非常固定基本是三段式[背景信息]我们要解决什么问题为什么会有这个问题相关目标和约束是什么 [输入材料]AI 需要基于哪些文档、数据或对话来完成任务直接把文本粘进来 [任务指令]基于上述内容具体做什么拿一个典型的例子我拿到一份客户成功部门的访谈记录想提炼用户痛点。如果我只说“帮我总结这份访谈”AI 会给出很泛的“用户满意度有待提升”之类的话。但如果我把背景写清楚再把访谈原文粘贴进来再给出任务指令它就能直接从访谈记录里摘出具象的痛点描述。比如“用户提到导入客户数据时经常报错导致他们每周要多花两小时手工录入”这种细节而不是空泛的“希望优化导入功能”。还有提醒一下上下文不是越全越好。窗口有长度限制太长不仅浪费 token还会让模型忽略中段的部分信息。你只需要把跟任务直接相关的材料放进来无关背景一句带过就行。这个取舍拿捏其实也属于提示词工程的进阶功力。8. 迭代优化第一版通常只是“半成品”请多轮对话校准8.1 为什么不要纠结一次性写出“完美提示词”很多教程喜欢给你一种错觉好像高手写提示词一出手就是王炸。真实情况完全不是这样。我写提示词的日常是先给一个粗糙版本看结果哪里不对劲就补充约束再让它重写。有时候要来回三四轮才能得到满意的答案。这不是水平问题而是工作方法的差异——高手不是“写得准”而是“改得快”。这种思路在 AI 产品里被称为“多轮对话式优化”。模型有很强的上下文延续能力你可以在同一轮对话里指出它的各种问题让它逐步调整。你会发现经过两三轮微调之后AI 输出结果的稳定性和可用度都会大幅提升。这个阶段积累下来你也就知道什么样的提示词对什么样的模型更敏感之后初次下指令的质量也会越来越高。8.2 迭代优化示例从“平淡”到“有洞察”来一个详细的对比案例。第一轮提示词帮我分析一下这款新茶饮的抖音传播策略。AI 的回答套路是“找准目标客户、打造差异化卖点、利用达人种草”。这是评论级别的废话。第二轮我反馈以上内容太通用请结合具体用户画像并给出三种不同传播策略的优劣对比。AI 开始说人话了针对大学生群体做低价测评、针对上班族做午餐搭配场景、针对健康人群强调低卡原料。第三轮我继续追加请选其中一种策略写成一份可执行的一周内容排期表包含视频主题、拍摄形式、预期互动指标。这一次的输出直接变成了可以直接交给剪辑师执行的脚本方案。三轮之后同一道题答案已经从一个“正确的空壳”进化为“可以落地的执行方案”。这个过程中我没有重新写提示词而是把每一轮的输出当作下一轮的基础通过反馈逐步收紧方向。所以别怕第一版写得不够好把它当草稿用对话去磨它会给你惊喜。9. 反向提示说清楚“不要做什么”比“要做什么”更有效9.1 用“底线思维”阻止 AI 跑偏我在前面反复强调“AI 倾向于面面俱到、倾向输出平均值”还有一个更让人头疼的问题它偶尔会一本正经地编造内容。遇到这种情况单纯说“要准确”已经不够了你得把“不要做什么”直接摆出来。反向提示就是给 AI 画一条红线不许编数据、不许用绝对化表述、不许超过字数、不许输出跟问题无关的内容。好多人不敢用这条觉得“跟 AI 说不要是不是不太礼貌”完全没必要。模型不是人它不会觉得被冒犯相反明确的否定词能帮它排除很多低质量生成路径。比如你要求“提取文章中的三个关键建议”如果不加“不要”它可能会把文章里所有观点都当成建议列出来加了之后它会强制自己去做判断和取舍。9.2 通用反向提示词清单可直接复制以下是我最常用的一组反向指令基本覆盖了日常主要场景“不要编造数据或案例。如果没有准确数据请明确标注‘数据缺失’。”“不要用‘首先、其次、最后’这类套话开头直接进入主题。”“不要写超过 300 字。如果你写超了压缩到 300 字以内再输出。”“不要使用形容词堆砌尽量用名词和动词表达事实。”“不要给出带有明显立场的观点需同时列出正反两方面论据。”“不要输出与我的问题无关的背景知识只回答我指定的问题。”用一组例子看看效果。我让 AI 写一段咖啡店“冷萃咖啡”的宣传文案在不使用反向约束时它写的是“精选全球优质咖啡豆、冰滴慢萃工艺、口感顺滑回甘带给你前所未有的味觉体验”。加了反向提示后“不要用‘精选’‘优质’‘前所未有’这类无法验证的形容词请从原料产地、萃取时长和口感对比三个维度写。”第二版立刻变成“采用埃塞俄比亚耶加雪菲豆冷萃萃取时长 12 小时口感带有明显柑橘酸质相比传统热萃口感更清爽”。你看负向约束在某种意义上比正向要求更有力因为它剔除了那些看似正确却毫无信息量的表达。大家在和 AI 协作时不妨先想想你最不想要什么把它写进提示词——这个反向思考的过程能帮你节省大量修改时间。10. 条件分支让 AI 按不同情况自动分流处理10.1 建立“如果……那么……”规则让你的提示词具备判断力还有一类技巧比较进阶适合那些希望用 AI 处理复杂、多情景任务的用户条件分支。简单说就是在提示词里写清楚“在不同条件下AI 应该执行不同动作”。它适用场景非常广比如客服自动回复、风险分级、文案多版本生成、面试题库分类等等。平时大家用 AI 写一个客服回复模板往往是“一个模板走天下”遇到暴躁客户和普通客户用的是同一套语气效果自然不好。但如果我们在提示词里加入内置条件AI 就能根据每个具体输入自动分流输出不同风格和内容的应答。这种“if-then”逻辑不需要你会编程只要用自然语言表达就行。10.2 条件分支模板一次搞定“情绪化客户”这是我给社群成员分享过的一个模板你可以在自己的场景里替换关键词你是一名客服主管请根据客户消息的情绪和问题类型生成回复。判断逻辑如果客户情绪比较差出现强烈抱怨、质疑、威胁差评等先道歉安抚再给出可操作的解决方案同时注意避免推诿如果客户只是正常询问直接给出清晰的信息和操作指引如果客户的问题超出你的权限范围坦率说明限制并承诺转交专人处理给出时间预期客户消息[粘贴具体客户消息]要求回复控制在 100 字以内语气自然不要用模板腔。这个提示词一上线原来需要人工判断的 80% 重复性回复都可以让 AI 直接生成而且准确率很高。更深层的思路是你可以用同样的方式构建销售线索判定、内容选题评估、风险等级划分等多个分支系统把一套提示词变成一个小型决策引擎。条件分支模板的关键在于“条件描述要具体”不能写“如果客户很生气”要写“如果客户连续使用叹号或表达‘要投诉’‘太差劲’等信号”。边界越清晰AI 的分类判断越准确。11. 组合实战把多个技巧串起来写一份高质量提示词11.1 一个真实案例从零构建“产品上线方案”技巧单独介绍完了但真实工作中很少只靠单一技巧。把多个技巧组合使用才是提示词工程最值钱的地方。我拿一个很常见的需求——“写一份新产品上线方案”来演示如何把角色设定、任务拆解、格式指定、范围约束、思维链整合到一次提示词里。这是完整提示词你是一名有 5 年 SaaS 产品增长经验的产品运营专家擅长从市场分析、用户教育和冷启动三个维度制定产品上线计划。背景信息我们是一款面向中小型电商团队的一键生成营销海报的工具目标用户是运营人员他们普遍不会设计但每天需要发布 3-5 张营销图。产品预计 3 个月后上线。任务请按以下步骤制定一份可执行的产品上线方案先列出影响本次上线的 3 个关键用户场景和 1 个核心目标指标针对每个用户场景给出对应的首批种子用户获取渠道将上述内容整理成一份上线方案并按“目标 / 人群 / 渠道 / 时间节点 / 风险应对”五个版块输出所有内容必须围绕中小电商卖家的真实痛点不要涉及线下地推等重模式最终输出控制在 800 字以内用 Markdown 表格呈现时间节点部分。这个提示词里包含的要素有角色设定产品运营专家、背景信息产品特点用户画像、任务拆解三步走、格式指定五个版块表格、范围约束不涉及线下地推、字数限制。它输出的方案我拿给团队看的时候几乎没有做修改就能用。11.2 组合套路总结高性能提示词的四个核心要素通过上面这个例子你可以总结出高性能提示词的四个核心要素第一身份层告诉模型“你是什么角色、擅长什么”。这是激活知识库的基础第二背景层提供足够上下文让模型理解“在什么情境下回答”避免无源之水第三逻辑层拆解任务步骤、规定推理路径让模型按你的思路走第四约束层明确格式、范围、字数、排除项控制输出形态和质量。实际操作中如果你觉得某次输出质量不稳定最优先检查的是“约束层”是不是漏了。很多模型被抱怨“输出太泛”其实都不是模型不行而是你给的约束不足。把四个层次补齐基本上 90% 的日常任务都能解决。最后的个人建议开始一个新任务时先花 10 分钟写一份带完整四层结构的提示词等任务跑通以后再反过来删减找到“最简有效版本”。经过几次这样的“先加后减”练习你对提示词的掌控感会明显不一样。12. 提示词模板库速查收藏这一张表就够了为了让你真正“立刻上手”我把最常用的提示词模板整理成了一张速查表覆盖高频的通用场景。每个模板都可以直接复制、替换中括号里的内容使用。这张表也是我日常工作中最常翻的工具。场景核心思路模板要点内容创作文案/文章角色受众风格结构“你是一名擅长[公众号/小红书/抖音]内容的[领域]作者目标受众是[画像]请用[风格]写一篇关于[主题]的文章结构按[要点]展开字数[数量]。”信息提取/总结指定输入格式指定输出格式“从以下内容中提取[具体信息]输出为[表格/JSON/列表]缺失项标注‘无’不要编造”方案策划背景目标拆解约束“背景是[描述]目标是[指标]请分三步制定方案覆盖[范围]不使用[排除项]最终输出为[格式]。”数据分析给数据给分析维度给结论要求“以下数据是[时间段/口径]请按[维度]分析指出[核心趋势/异常点]结论控制在[数量]条内。”学习答疑角色目标水平步骤拆解“你是[学科]老师我的水平是[基础]请不要直接给答案先用 3 个提示引导我思考再给出解析。”邮件/沟通对象目的语气长度“请以[身份]名义给[对象]写一封关于[事项]的邮件语气[正式/亲切]字数[数量]结尾明确行动点。”头脑风暴数量方向发散约束“请围绕[主题]从[方向A/B/C]分别输出[数量]个想法不要重复优先给出反常识、可落地的点子。”优化改写原文目标排除项“请改写以下文本目标是[更简洁/更有说服力/更专业]不要改变核心事实不超过[字数]。”这张表的每个场景我都配了两个以上条件分支和少样本示例在实际使用。你可以先从自己最常遇到的场景开始试跑通之后再去拓展其他模板。等积累多了你会发现写提示词的速度会越来越快因为很多套路本质上都是相通的。13. 关于提示词工程的几句大实话写到这里这篇实战清单基本就完整了。按照惯例我不太喜欢在文章结尾做空洞的总结只分享几个我经过大量实操后的体会。第一提示词工程不是“咒语学”不是背几套模板就能一劳永逸。不同模型能力不同同样的提示词在 GPT 和 Claude 上的表现会有差异需要花时间做适配。第二模板是起点不是终点。任何模板都一定需要根据你的真实场景做修改这个“改”的过程才是你真正提升的地方。第三提示词工程本质上是一种“结构化表达能力”。它训练的不只是你对 AI 的理解更是你对问题本身的拆解能力——想清楚你到底要什么才能让 AI 给你什么。如果你现在正准备用 AI 完成一个真实任务我建议不要盯着这篇教程反复看直接打开对话窗口从第 1 个技巧开始把你想做的事情完整写一遍。碰到效果不满意的地方再回到这篇文章里找对应的技巧做调整两三次迭代后你会明显感觉到自己的提示词水平上了一个台阶。这一类经验看再多不如动手练一次练完才是自己的。
