有些朋友以为提示词工程就是“给AI写漂亮话”折腾半天发现换个说法大模型就不认了其实问题在于没搞清楚底层逻辑。我做了两年多AI产品落地每天的工作就是跟各种大模型打交道从零开始搭过客服机器人、写稿助手、数据抽取管线踩过的坑比不少人写过的提示词还多。今天这篇东西我打算把真正经过实战检验的10个技巧和一套能直接复用的模板库整理出来。不说玄学不堆理论全部是可操作的步骤你拿到手就能用用完就能看到效果。适合正在做AI应用开发的产品经理、技术人也适合每天用ChatGPT、Claude、文心一言这类工具处理文案、分析数据、写周报的普通用户。1. 先别急着学“咒语”想清楚提示词工程到底解决什么问题很多人把提示词工程当成“更礼貌地跟AI说话”这就把路走窄了。提示词工程的核心价值其实是让模型稳定地产出符合你预期的输出。它的底层机制并不神秘——大模型本质上是根据上下文做概率预测的文本生成器你给的上下文越长、边界越清楚模型就越不容易跑偏。这里还要提一个概念就是最近圈里常说的“上下文工程”。提示词本身也是上下文的一部分但上下文工程关注的维度更广你往对话窗口里放了哪些参考资料、历史消息保留多少轮、系统提示词里写了什么约束、用户输入的信息里有没有噪音。我自己的体会是提示词工程是“教模型怎么说”上下文工程是“管住模型看什么”。两者配合着来才能解决真实场景里的复杂问题。举个最常见的例子。我让AI帮我把一段产品介绍改写成小红书风格如果不做任何约束它可能给你写出来一堆感叹号和emoji看起来热闹但没法直接用。如果你把角色、风格、字数、结构全部写清楚再给一个示例输出质量就能上升一截。这就是提示词在起作用。但提示词不是万能药。模型能不能干活很大程度上取决于上下文里有没有足够信息。比如你让它根据用户反馈做竞品分析却不给它竞品数据那再好的提示词也白搭。所以这篇文章里提到的每个技巧都会把“提示词写什么”和“上下文放什么”绑在一起讲。这样你才真正能落地上手而不只是学了一堆“咒语公式”。2. 十个技巧拆解上——让模型“听懂人话”的前五个技巧2.1 技巧01角色锚定比“请回答”好用得多给模型设定角色是成本最低但见效最快的方法。原理其实很简单角色设定会把模型的输出风格、用词习惯、专业视角往特定方向拉相当于你在动手之前就给输出结果画好了边界。比如你直接问“帮我写一段产品介绍”模型会倾向于写一段四平八稳的东西。但如果你说“你是一个有10年消费电子行业的资深编辑熟悉中高端耳机市场请写一段200字的新品耳机介绍”输出的语言质感、行业黑话、用户痛点描述立刻不一样。我自己的习惯是写“角色能力目标”三段式。角色是“你是什么人”能力是“你擅长什么”目标是“你要产出什么”。三者组合下来提示词的稳定性会高很多。单纯写“你是一个专家”其实不太管用模型听到“专家”这个词只会把语气变得更自信并不会自动补齐行业知识所以后面一定要把能力边界写清楚。2.2 技巧02把指令区、输入区、输出区彻底分离这是个非常容易被忽略的细节。很多人的提示词是把指令和数据混在一起的比如“帮我分析以下用户反馈很卡经常闪退功能太少希望增加XX功能。请给出改进建议。”模型在理解这句话时可能搞不清哪些是你的诉求、哪些是你给的材料。解决办法是格式分离。我一般用XML标签或者Markdown标题把区域隔开[任务说明] 你是一位用户研究分析师请根据我提供的用户反馈归纳出三个核心问题点。 [用户反馈] 很卡经常闪退功能太少希望增加XX功能。 [输出格式] 1. 核心问题 2. 证据引用原文摘录 3. 改进建议这样做的直接好处是模型能精确地把“任务”“数据”分别处理而不是把数据当成任务的一部分导致答非所问。尤其是当输入内容比较长或者需要批量处理不同数据时这种分区方式几乎是必备的。2.3 技巧03用“约束前置”代替“目标堆砌”我见过不少朋友的提示词开头是“帮我写一份非常棒的策划案”后面却没有任何边界。模型对“非常棒”的理解和你对“非常棒”的理解大概率不在一个频道上。更有效的做法是把约束条件放到最前面明确告诉模型“不要做什么”。这里有个浅显的道理。模型很擅长做“排除法”你告诉它不要啰嗦、不要用套话、不要出现数字它通常能表现得很好但你告诉它“写得精彩一点”它就会放飞自我因为你没有给它“精彩”的具体定义。举个例子。写会议纪要的提示词与其写“请整理这份会议记录”不如写请整理以下会议记录要求 1. 不改变原意不补充原文没有的信息 2. 只输出“决议”“待办”“风险”三段 3. 待办事项需标注负责人和截止时间 4. 全文不超过300字。约束前置能从根上控制输出质量。我测试过很多次同样的输入加了约束之后返工率能降一半以上。2.4 技巧04few-shot用2-3个高质量示例胜过10句解释大部分情况下给模型讲规则的效果不如给模型看例子。这就是通俗说的“少样本学习”few-shot。你在提示词里放一两个输入输出的对照示例模型会照着这个模式去生成结果稳定性会非常高。我常用的做法是先给一段任务说明再给一个“输入-输出”示例再放真正的任务。比如抽取客户邮件里的关键信息从邮件中提取客户名称、产品型号、采购数量、期望交付时间。 示例 邮件我们想批量采购你们的智能门锁M3数量大约200件希望在下个月15号前到货。 输出 客户名称未提及 产品型号智能门锁M3 采购数量200 期望交付时间下月15号 邮件这里放真实邮件这样的示例给一次就够模型摸到你的格式偏好比写一百句“请严格按照JSON格式输出”管用得多。注意示例一定要和真实任务的格式对齐否则模型会模仿错误的示范。2.5 技巧05先思考再回答——强制模型进行推理链有时候模型一上来就急着给答案结果中间的逻辑有硬伤。让它先“想”再“说”效果会好很多。这不是什么神秘操作本质上是给模型更多计算空间让它把中间步骤展开降低了跳跃性推理导致的错误率。我用得最多的模式是“分步思考最终答案”写法很简单请按以下步骤回答 第1步列出题目涉及的核心变量 第2步逐一分析每个变量的取值范围 第3步结合所有变量得出最终结论。或者更直接地在提示词里写“请先思考再把思考过程和结果分开展示”。这在数学问题、数据分析、因果判断这类需要严谨逻辑的任务里特别有效。但要注意如果是简单任务不需要强行分步否则模型会把一句话说完的事情拆成一篇小作文反而显得冗余。3. 十个技巧拆解下——应对长文本与复杂任务的五个技巧3.1 技巧06结构化输出让结果一键可读在真实项目里提示词工程的最大价值往往不是让文字变漂亮而是让输出格式可控。尤其是你想把AI接入自动化流程那输出必须是结构化的比如JSON、Markdown表格、CSV。我的建议是只要涉及批量处理或程序解析的需求一律要求JSON输出并且在提示词里给一个字段说明。比如做商品信息抽取可以这么写请识别以下商品图片对应的文字介绍并输出JSON { 商品名称: 字符串, 价格: 数字仅包含数字和小数点, 规格: 字符串, 优惠信息: 字符串或null }有个容易踩的坑是模型生成的JSON偶尔会带一些json这样的代码块标记或者字段值里混进多余文字。我的规避办法是在提示词里显式加上“只输出JSON对象不要输出任何解释文字和代码块标记”。即使这样仍然建议程序那边加一层JSON容错解析因为大模型的输出永远存在随机性。3.2 技巧07用“否定指令”堵住最常见的坑很多AI生成内容的问题不是模型不聪明而是它“太爱表现”。比如你让它写一句客服回复它非得加上“祝您生活愉快”你让它总结文章要点它非得补一句“总之”你让它列个表格它会在表格后面再附一段说明。对付这种问题“否定指令”比“肯定指令”有效。我不敢说百分之百但“请不要输出”比“请简洁输出”更能让模型收敛行为。常用的一组负面约束如下请遵守以下规则 - 不要使用任何问候语和结束语 - 不要输出分析过程直接给结论 - 不要使用“首先、其次、最后”等连接词 - 不要输出与任务无关的解释。这类否定指令几乎可以当成万能补丁加在任何提示词里。尤其是做内容清洗、摘要、抽取类任务时加几条否定指令能显著减少后期人工处理成本。3.3 技巧08拆解任务用小步骤替代“一口吃成胖子”模型最怕的是那种“一步到位”的复杂指令。比如“请分析这份财报总结经营状况并给出投资建议再做一个PPT大纲”。这种任务牵扯多个逻辑链条模型一旦在中间某个环节失误后面全崩。我的破解方法是把大任务拆成几个小任务分批对话。举个例子我要让AI帮我对用户调研报告做分析我就分三步问第一步“这是原始调研数据请帮我清洗一遍去掉明显无效信息。”第二步“基于清洗后的数据请归纳用户的三个核心诉求。”第三步“基于这三个诉求请给出产品改进建议并标注优先级。”这样做表面上多了一两次交互实际上每一步的输出质量都更可控。你可以在中间插入自己的判断而不是等模型把最终结果跑完才发现方向不对。对工作流来说这反而是最快的路径。3.4 技巧09维护好系统提示词让对话保持个性如果你用OpenAI的API或者Claude的API做产品开发一定会接触到系统提示词System Prompt。这个字段的作用是在整个会话期间给模型定一个“总基调”。我强烈建议把那些不会变的需求比如产品名称、语气规范、输出格式、拒答策略全部放在系统提示词里而不是每轮对话重复一遍。比如我做客服问答机器人系统提示词里就写清楚了“你是XX品牌官方客服不能编造售后政策不确定时引导用户联系人工客服”。这样每一轮用户输入即使被转写成各种口语化表述模型都能保证在固定的人设和行为边界里回应。系统提示词要“少而稳”避免写太多细节。因为细节越多模型越容易在某些边缘场景里过度解读反而影响灵活性。我一般只写三块身份定义、核心规则、输出偏好。其余需要频繁变动的信息比如当前用户ID、促销活动内容放在用户消息里动态控制。3.5 技巧10压缩上下文防止模型“忘事”大模型的注意力有限不管它宣称的上下文窗口有多大实际用起来关键信息一旦被淹没输出质量就会明显下降。我在处理长对话时最常见的现象是聊到第30轮模型已经忘了用户最开始提的需求。应对方法并不复杂就是定期做上下文压缩。具体操作是在对话进行中先让模型把前面的核心信息总结成一段“小抄”后面的对话只携带这段小抄而不携带全部历史。比如请把刚才的对话压缩成200字以内的摘要保留用户需求、当前决定、待办事项、已完成事项。确认后我们基于这份摘要继续讨论。这个技巧不仅能省token还能减少输出的漂移概率。尤其是在做多轮分析、长文档写作、批量操作时上下文压缩几乎是必选项。我一般习惯每5到10轮做一次压缩具体频率看任务复杂度。4. 可直接抄作业的模板库真实工作流中的5个模板这一节是重点。我把平时项目里用得最多的几套模板整理出来每一套都适配一类任务场景。复制下来把中括号里的内容换成你自己的就能直接用。4.1 模板卡片怎么用所有模板都遵循同一个结构开头的系统角色设定 任务描述 输入数据区 输出格式约束。你在使用时注意把“输入数据区”里的内容替换成真实数据把“输出格式约束”里的字段改成你需要的字段即可。需要特别提醒的是模板是脚手架不是圣旨。同一个模板在不同模型上的表现会有差异你完全可以根据模型版本调整措辞。我见过有人拿着一个模板去套所有场景最后发现效果不好就抱怨模板没用这其实是用错了方法。模板的意义在于帮你建立结构意识而不是省去思考。4.2 模板A文章润色与改写这个模板适用于产品文案、公众号推文、邮件等场景。核心思路是给定“风格参照”而不是只说“帮我润色”。你是一位文字编辑擅长把口语化内容改写成专业又不失亲和力的书面语。 [任务] 润色下面的文字要求 1. 保留原意不新增虚构信息 2. 语句通顺删掉冗余表达 3. 全文控制在原文长度的80%-120%; 4. 不使用“众所周知”“总而言之”等套话。 [原文] 粘贴你要润色的文字 [输出格式] - 润色后全文 - 修改说明不超过5条这个模板的效果取决于你对风格描述得是否具体。如果你想改成李佳琦直播风格就得加上“语气热情多用第二人称适当使用叹词”想改成学术风格就得加上“用词正式减少主观评价”。风格描述越明确输出越贴近预期。4.3 模板B非结构化文本转JSON适用于从客服会话、评论、投诉单里抽取结构化信息。这是自动化流程里使用率最高的模板之一。你是一名信息抽取专家请从用户反馈中提取下列字段 客户ID、问题类型、紧急程度、涉及产品、用户情绪、建议方案。 抽取规范 - 无法提取的字段填null - 问题类型只能从[故障报修、咨询、投诉、建议]里选择 - 紧急程度只能从[低、中、高]里选择 - 用户情绪只能从[积极、中性、消极]里选择。 只输出JSON对象不要输出代码块标记。 [用户反馈] 粘贴真实反馈内容常见的坑是模型把“建议方案”这一项自己脑补出来而不是根据原文提取。我在模板里特意加了“无法提取的字段填null”这一条能有效减少幻觉。另外如果原文里有多条反馈要记得在提示词里说明“若包含多条反馈请逐条抽取输出JSON数组”。4.4 模板C批量表格化处理如果是Excel表格数据模型对文字表格的敏感度很高。把数据拼成Markdown表格丢给它它能按模板逻辑做分类、补全、打标签。请根据我提供的商品信息表新增一列“推荐受众”并为每行生成一段15字以内的卖点描述。 规则 - 推荐受众只能从[学生、上班族、家庭用户、专业人士]中选 - 卖点描述不得虚构参数 - 没有把握的单元格填“待确认”。 表格 | 商品名称 | 价格 | 核心参数 | | 便携榨汁杯 | 99 | 300mLUSB充电 | | 智能手环 | 199 | 心率监测50米防水 | 输出生成完整的新表格。这种模板最适合批量内容生产。遇到数据量特别大的时候建议分批喂给模型每次几十行以免上下文窗口被撑爆或者模型在长表格里分心。4.5 模板D复杂问题分析推理链模式适用于竞品分析、方案对比、行业研究等逻辑复杂的任务。你是一名商业分析师。请针对我提出的问题按以下框架作答 第1步列出影响该问题的关键变量 第2步对每个变量做简短的利弊分析 第3步给出两个可选方案并解释各自适用场景 第4步给出最终推荐用3个理由支撑。 约束 - 每一步都要基于已有的信息不编造数据 - 如果想引用外部经验请用“通常来讲”提示 - 最终输出按“分析过程”和“结论”两部分展示。 [问题] 填写你的问题这类模板的关键作用是强迫模型走完整推理路径避免直接抛结论。实际使用中我能明显感到加了分步要求之后模型的回答更有条理也更容易检查它在哪一步出了错。4.6 模板E多轮角色扮演与客服质检适合用于客服知识库问答、模拟训练等场景。你是XX平台客服质检员。我会给你一段客服与用户的对话请判断客服的回复是否合规。 合规标准 - 是否礼貌、不怼客户 - 是否准确回应客户诉求 - 是否出现编造政策的行为 - 是否及时引导到人工接口。 输出要求 1. 给每个标准打“通过”或“不通过” 2. 列出所有不合规的原句和我建议的替代回应 3. 最后为整段服务打分1-10分。 [对话内容] 粘贴客服对话记录质检类模板在企业的应用价值很高。以前人工一条条看聊天记录特别费时间现在AI先筛一遍人工只看重点效率能提升好几倍。5. 常见问题排查与调试心得5.1 模型不听话先检查哪里——变量排查法很多人碰到提示词没效果第一反应是疯狂重写。我的建议是先别急着改用变量排查法一步一步定位问题。第一步检查角色是否清晰。模型如果不知道自己是干嘛的很容易给出泛泛的回答。第二步检查任务目标是否单一。一个提示词里塞了太多任务模型会下意识地选择最简单的那个任务执行。第三步检查输入和输出格式是否明确。没有格式约束模型就会按自己的偏好输出结果自然不可控。第四步检查上下文有没有干扰信息。比如历史消息里有误导性内容模型会被带偏。如果以上都排查过还是不行再考虑加示例、调整温度参数。根据我的测试80%的“模型不听话”问题根源都在边界模糊而不是模型能力不足。5.2 温度、top_p、max_tokens这些参数怎么配合提示词只是影响输出的一个维度参数设置也很关键。我在跑API实验时最常用的几个参数如下温度temperature控制随机性取值0到2之间。做事实性任务、数据处理时我一般设0到0.3做文案创作、头脑风暴时设0.7到1.0。温度越高输出越发散也越容易出现虚构内容。top_p控制候选词的概率范围一般建议和温度搭配调整。实践中我通常固定温度把top_p设置在0.8到0.9之间很少单独调它。max_tokens则是输出长度上限。如果模型经常被截断要调大这个值如果输出特别啰嗦可以把正常需要的长度再乘个0.8逼它精简。另外还有一个容易被忽略的点同一个提示词在不同模型版本上的表现可能完全不同。模型升级后某些规则遵循能力可能变强或变弱所以发布到生产环境之前一定要在目标模型版本上回归测试。5.3 上下文的几个“隐形杀手”有些人觉得提示词写得很好但效果总是不稳定其实问题出在上下文里。以下三类内容堪称“隐形杀手”第一类是历史消息里的旧答案。如果前面某个回复是错的模型有很大概率在后面延续这个错误。所以我处理长任务时会定期开新会话或者把上文压缩成摘要。第二类是系统消息里的冲突指令。如果系统提示词里说“要简洁”后面用户消息里又说“请展开详细说明”模型会左右摇摆做出不可预测的选择。第三类是敏感词和否定词混用。比如“不要忽略细节”模型可能会把注意力放在“细节”上看不到“不要”结果更注意细节了。尤其在长上下文中这种歧义会被放大。我会尽量避免双重否定和过长的否定链。5.4 模板不是万能的不同模型表现差异最后必须强调一下模板的效果是分模型的。我在GPT-4、Claude、百川、DeepSeek等多个模型上都跑过同样的模板实测下来模板的稳定性排序大致和模型的指令遵循能力正相关。强的模型给个粗略模板就能跑对弱一些的模型则要非常明确的示例和边界。所以如果你换了模型发现以前好用的模板效果下滑不用太意外。先试三件事把few-shot示例补足把输出格式写得更死把温度调低。这三招能让大部分模板在新模型上恢复七八成功力。6. 最后说点实在的我的个人体会如果只能留下一句话我想说提示词工程最大的门槛不是技巧而是“明确自己要什么”。我见过太多人抱怨AI不聪明其实多数时候是需求没有表达清楚或者根本没想清楚输出的样子。从长期实践看养成两种习惯最有帮助。第一种是“先定输出格式再填内容”。做任何事情之前先画好要的表格、JSON结构、要点列表再让模型往里面填你会发现它的发挥稳定得像换了个模型。第二种是“失效案例收集”。我会把不好用的提示词和模型输出都攒在一个文档里定期对照总结规律。这比到处收藏别人的“万能模板”有用得多。工具箱里准备一套自己打磨过的模板会让你在各类任务里都快人一步。这套东西越用越顺手等你能根据问题场景自己组合技巧时就已经算入门了。以后遇到更复杂的AI应用需求底层还是这些基本功。