提示词工程10个实战技巧：让大模型输出稳定高效

1. 为什么提示词值得当成工程来做先聊点实际的最近大半年我一直在折腾各种大语言模型应用从写文案、做表格、分析数据到给团队搭内部知识库问答几乎天天在跟提示词打交道。刚开始和大多数人一样想到什么问什么让模型干什么就直接丢一句话出去。结果做出来的东西时好时坏同一个问题换个说法输出就差一大截一度以为模型不稳定、不好用。直到有几次我需要连续批量生成几十份风格一致的内容才意识到问题出在提示词本身太随意、太粗糙根本没法保证输出质量。那时候我开始系统性地研究提示词工程把提示词当作代码一样对待写版本、测效果、调参数、沉淀模板整个流程走下来之后模型的输出质量稳定了非常多很多原来要反复修改的活儿基本能一步到位。这篇文章我总结了10个我自己用了很久、确实能立刻拿起来就用的提示词工程技巧。文章不会讲大道理主要是实战套路每个技巧都附带可以直接复制使用的模板最后还有一个免费的提示词模板库结构供参考。适合正在做AI应用开发、日常重度使用ChatGPT等大语言模型提效的读者也适合想搞清楚“为什么人家调的提示词那么听话”的同学。看完这篇文章你能得到什么一套系统化的提示词设计思路10个覆盖不同场景的现成模板还有一个帮助你自己持续积累提示词素材的模板库组织方法。不管你是刚开始接触提示词的新手还是已经写了很多提示词但感觉效果不稳的老手应该都能找到自己需要的东西。2. 打开局面做什么事都会需要的通用型提示词技巧说句实在话大部分人日常使用大模型的场景并没有那么复杂。写邮件、做总结、润色文案、翻译内容、整理信息这些任务用几个通用技巧就足够应付了。所以先讲4个我使用频率最高、覆盖面最广的通用技巧。2.1 技巧一为模型定义清晰的答题模板这应该算是我最先养成的一个习惯。很多人把模型当成聊天对象一个自然语言问题扔过去剩下的全靠模型自由发挥。但模型的训练逻辑决定了它接收到较短的指令时会倾向于给出宽泛的、平均化的回答因为它不知道你想要详细还是简略、正式还是轻松只能往“最安全”的方向输出。我的经验是在提问前花15秒想清楚三个问题你希望模型用什么结构回答你希望回答包含哪些要素你希望回答什么风格拿写会议纪要这个例子来说模糊的问法是“帮我整理这段会议记录提取重点”模型的输出结构完全看运气。我的实际做法是给定明确结构你是一名经验丰富的会议记录专员。请根据我提供的对话记录整理出一份结构清晰的会议纪要必须包含以下五个部分 1. 会议基本信息时间、参会人、会议主题 2. 讨论要点按主题归类提炼每条不超过50字 3. 决议事项用“确认”“否决”“待定”标注明确状态 4. 行动项每条必须包含负责人、交付物、截止时间 5. 风险与问题没有解决或者需要升级的问题单列 输出要求使用中文使用Markdown列表组织内容行动项的数量不允许超过5条。这套话术看起来啰嗦但效果立竿见影。它的核心逻辑叫“约束输出空间”你以为你在跟模型对话其实你在给模型画了一张详细的答题卡它只需要往坑位里填内容就行。用模板和不用模板的差别打个比方就像你去餐厅点菜说“来份好吃的”和说“来份微辣、少油、不要香菜、加一份米饭的宫保鸡丁”后者的结果几乎不会有意外。模型也一样你把要求说得越具体它的输出就越接近你的预期。2.2 技巧二用“写给我的上司”定调输出风格风格问题困扰过很多人。同样一段技术方案发给同事看和发给老板看完全是两种写法的东西。你在提示词里催“写得专业一点”模型的输出可能还是不够理想因为“专业”这个词太抽象了。后来我读到一篇关于AI提示词研究的文章里面对比了几种风格控制方法的效果结论是设定“目标读者”比单纯写“某种风格”有效得多。这个方法的核心是不告诉模型“怎么说话”而是告诉模型“对谁说话”。我现在的习惯写法是请把下面的内容改写为一份简报式说明目标读者是公司管理层 - 管理层不关心技术实现细节他们只关心业务影响、成本、风险和时间 - 每段内容的核心结论放在最前面再补充关键依据 - 使用商务汇报口吻避免术语堆砌 - 全文控制在300字左右 [粘贴需要改写的内容]这里有个微妙的知识点大语言模型在训练时学习了海量文本它可以很好地模仿“写给某个角色看”的文体。当你把目标读者描述出来它会自动从训练数据里检索匹配的语料风格输出的“专业感”“幽默感”“权威感”往往比直接要求“写得专业一点”好很多。这个方法适用的典型场景需要向领导汇报、客户提案、团队周报、自我复盘总结。我几乎所有人际沟通类写作任务都会加一句目标读者设定输出效果能提升一个档次。2.3 技巧三少样本示例提示让模型模仿你的真实样例在提示词工程里有一个基础概念叫少样本提示也就是在提问时附上一两个你希望模型输出的具体例子。这个概念在学术上很出名但在实际使用中被很多人忽略了。我自己的经验是当模型用规则描述怎么改都还不对时直接给出一个“参考样例”基本就解决了。原因不复杂规则描述是抽象的样例是具体的。模型在推理时会参考上下文里已有的样例模式你给一个样例它大概率会照着样例的结构和风格来组织后续输出。举个例子我需要给公司内部多个项目写周报总结第一版提示词写的是“请根据以下项目信息撰写周报”输出总是各种风格的周报混杂在一起有的太长有的太短格式也不统一。后来我在提示词里附上了一篇我精心修改过的样例请按照下面样例的风格和结构为项目X撰写一份周报 【样例】 项目名称用户增长策略优化 本周进展 1. 完成了三个渠道的投放效果对比测试其中信息流渠道的转化率比上周提升12% 2. 优化了落地页首屏文案A/B测试显示注册转化率提升8% 风险与问题 - 数据口径问题各渠道对“有效用户”的定义不一致需要产品部门统一标准 下周计划 1. 针对高转化渠道扩充投放预算幅度预计为20% 2. 完成新老用户差异化激励方案设计 请使用同样的结构信息点与数据如实基于我的项目内容不要虚构数据。放置样例后输出的周报直接就能用微调几个数据细节就可以了。少样本提示几乎是我处理批量文案、格式统一任务的第一选择。有几点实操经验值得注意样例需要精心设计不必太长但要覆盖你最看重的特征如果任务比较复杂可以给两个样例新手建议从1个样例开始试如果过度模仿导致模板固化可以通过加“不要照搬样例中的内容”等反向约束修正。2.4 技巧四将复杂任务拆分成子任务逐个击破我之前犯过一个典型的错误让模型一口气写一篇包含市场分析、目标用户画像、推广渠道规划、预算分配和效果指标设定的完整营销方案。结果输出了一篇四不像的大杂烩每个板块的深度都不够细节经不起推敲整个方案没法落地。后来我意识到大语言模型在一个越长的Prompt里处理越多的复杂目标越容易“注意力分散”它无法一次性在所有维度上都做到高质量。与其挑战模型一次性的极限不如把一个大任务拆成大步骤分别处理形成组合方案。现在我的做法是把“写营销方案”拆成四个子任务第一步让模型独立输出市场分析的关键维度包括行业背景、市场规模、竞争对手分析。第二步让模型独立输出目标用户画像和痛点总结。第三步根据每一部分的结果分别撰写推广渠道策略和预算分配逻辑。第四步将各块内容整合为完整方案修正重复段落和逻辑断层。每个子任务的Prompt可以做得非常聚焦比如【子任务3推广渠道策略】 你是资深投放策略顾问请基于以下条件给出渠道建议 - 目标用户25-35岁一线城市职场白领 - 产品特点客单价800元以上属于决策周期较长的知识付费产品 - 预算首期推广预算5万元 请按“渠道名称-投放形式-预估CPM/CPC区间-选择理由-效果预期”这个结构输出推荐渠道不超过6个并解释不推荐其他渠道的原因。拆解的效果特别明显每个子任务的输出深度都可比拟一位专注的行业分析师组合起来后整体质量自然就高了。如果你觉得当前任务的输出总是不如意先不要急着否定模型试试把任务拆小。3. 控制进阶让模型理解你的逻辑、指令与约束上面几个技巧能解决大部分通用场景的需求但当你开始接触稍微复杂的任务比如数据分析、逻辑推断、规则执行类的工作就需要掌握一些更高级的控制技巧了。3.1 技巧五链式思考让模型一步步推理而不是直接给答案关于链式思考Chain-of-Thought这个技巧学术研究早就有报道通过让模型先输出推理过程再给出结论能显著提升复杂推理任务的准确率。这条技巧在各类逻辑推理任务里已经得到了充分的验证。为什么让模型思考再回答会有效底层逻辑是大语言模型在生成文本时本质上是在做概率预测。如果一个需要多步逻辑推导的问题被直接要求“说出答案”模型只能基于已有知识直接猜一个概率最高的结论中间的逻辑链完全缺失很容易出错。而当你要求它先展示推理步骤时每一步都基于上一步的结论继续推演相当于把一个大决策拆成了多个小决策中间任何一步出错都有机会被发现和纠正。举个例子我经常让模型处理财务分析任务下面是我常用的链式思考模板请分析以下销售数据中哪些产品贡献了主要利润。 要求不要直接给出结论请先按照以下步骤进行分析 第一步列出每个产品的营收和成本 第二步计算每个产品的毛利润和毛利率 第三步比较各产品毛利率找出明显高于平均水平的品类 第四步结合销量数据判断高利润率是否具备规模效应 第五步基于上述推理给出结论 数据 - A产品营收120万成本65万销量800件 - B产品营收85万成本48万销量1200件 - C产品营收60万成本30万销量300件 - D产品营收200万成本155万销量900件使用这个模板后模型会给出完整的计算过程你可以很容易发现它哪里算错了还能进一步追问。而如果你直接问“哪种产品最赚钱”它可能会直接抛出结论难以追溯推理依据。顺带说一句这个技巧还有个变体叫“为模型提供推理路径提示”操作方法是在提问时告诉模型“先拆解问题需求再按照背景、问题、方案、评估的顺序思考”效果也不错特别适合决策分析类任务。3.2 技巧六多个候选方案并行的结构化提示有些模型会“发挥不稳定”地给出一个结果但这里有个逆向操作特别好用干脆让它一口气产出多个候选方案然后我们再来做筛选。这个方法应用在一个很实际的场景里。我们团队当时在做App Store的推荐语需要出几十条候选文案做A/B测试。一开始我让模型一条一条出每次都要重新唤起它的上下文效果时好时坏。后来改成从写作目标到风格限定一并给出一次性要求生成15条效果反而稳定得多。这背后的原理也好理解模型在生成多个方案时会自己形成风格一致性就像一个作家在同一个创作状态下写一组短句风格会更统一。这对文案类工作来说确实是福利。我的常用多方案模板请为下面的产品描述生成8个公众号文章标题 产品背景一款主打极简设计的智能手环核心卖点是续航30天、免充电焦虑、轻至18克 风格要求贴近科技生活方式类账号的口吻带一点温度但不矫情 标题要求 1. 字数控制在15-24字之间 2. 避免夸张的绝对化表述如“最”“第一” 3. 至少包含一个数字或具体数据 4. 可以采用问句、陈述句、故事化句式但不要重复同一句式 请一次性输出8个标题每条单独一行不要附加解释说明。这样得到的标题群可以直接进入人工筛选环节效率提升了不止一点点。这个方法在起标题、起栏目名、想选题、出slogan、设计问卷题目等场景都非常香。需要注意一点批量生成任务时模型会在连续生成过程中出现重复建议在提示词里明确加上“不要重复类似的表达”“避免使用相同的句式”这类约束效果会更好。3.3 技巧七用角色扮演设定激活模型的领域知识很多人用角色扮演只是图新鲜感比如“请你扮演一名心理咨询师”“请你扮演一个段子手”。实际上角色扮演在提示词工程里的真正价值是激活模型在特定领域的知识和语言模式。模型的训练语料如果能被某个角色身份有效触发它会倾向于使用这个领域语料中最常见的表达方式。简单来说当你让模型扮演“一名资深律师”时它的输出会更接近法律文书的措辞逻辑当你让它扮演“一个5岁小孩”时它会调整词汇范围。基于这个特点角色扮演在技术写作、专业咨询、教育辅导等领域都是很强的技能。我的建议是不要只写“你是XX角色”要写“你是具有什么背景、专注于哪些业务、服务什么对象的XX角色”。角色描述得越丰满激活的知识域就越准确。请扮演一名拥有8年电商运营实操经验的资深操盘手服务过服饰、美妆、食品三个类目的头部商家。现在有一个商家向你咨询 “我开了家淘宝店主要卖手工皮具客单价800-1500元目前月销量只有10单左右广告费每月烧掉6000元投产比极低。请帮我分析可能的原因并给出3条最优先的优化措施。” 作为该角色请先说明你对这个类目的基本判断再按“流量→转化→复购”的漏斗结构分析问题最后给出明确的行动建议。角色扮演要避免一个误区没有细节的角色描述会让模型流于表面。一个更好的角色扮演提示词应该包含“你是谁、你擅长什么、你对这个问题的核心立场是什么”三个要素。角色越立体、专业指向越强输出质量越高。3.4 技巧八结构化Prompt模板让变量一目了然当同一个任务需要反复使用时就值得做一个标准化的提示词模板。这也是从“写提示词”走向“做提示词工程”最关键的一步。我最初做模板是因为团队里好几个同事经常问我“帮我调一下这个提示词”而我发给他们的提示词他们改起来很费劲。后来我把一些高频任务全部改成了“填空题”模式用变量占位符区分可变部分和固定指令部分。这样任何人都能直接在模板上改动少数几个字段来使用。一个典型的任务型提示词模板长这样角色你是一名[专业领域]专家擅长[核心技能]。 任务请完成以下[任务类型] [任务具体描述] 输入信息 - [信息1][[信息1的值]] - [信息2][[信息2的值]] 输出要求 - 语言风格[正式/轻松/专业/亲和] - 长度要求[字数范围] - 结构要求[列举需要包含的部分或输出格式] - 禁忌要求[列出不希望出现的内容类型]这样做的好处是当任务多次执行时只需要替换变量指令部分保持不变输出的一致性会大幅提升。模板不需要一开始就做得完美先保存一个基础版本每次用的时候顺手修改一点慢慢迭代模板会越来越好用。关于变量命名我推荐用双方括号如[[关键词]]这种形式视觉上非常醒目在模板传递给其他人时能快速找到需要修改的位置。同时建议在模板开头用一行注释作为备注提示这个模板适用于什么场景使用者需要修改哪些变量通用性和可维护性会好很多。4. 打磨实战针对高频复杂场景的深度优化方案前面8个技巧都是相对独立的工具可以组合使用。接下来这部分结合我自己做内容批量化生产、数据处理和对话式应用的实战经验分享2个复杂场景的综合优化方案。这一层需要对提示词的整体架构有更深的理解。4.1 技巧九用指令词管理生成过程——动作指令与内容指令分离在大语言模型的上下文里有一条不太被注意的规则指令越靠后对输出的影响权重越大。如果你在一个长提示词里既写了大量背景信息又写了对输出格式的要求模型对格式的遵循程度往往取决于格式要求出现在什么位置。基于这个观察我养成了一个好习惯把提示词分为“内容指令”和“动作指令”两部分。内容指令负责提供素材、背景和参考信息动作指令负责规定最终输出的格式、结构和操作步骤。动作指令尽量放在提示词末尾用清晰的动作词开头比如“请按照以下步骤执行”“请以表格形式输出”“请列出5个要点”。一个具体的例子我想让模型帮我整理竞品信息【内容指令】以下是关于ABC公司新产品的资料来源于公开的产品介绍页面和媒体报道 [粘贴收集到的资料] 【动作指令】请基于以上资料按照以下步骤执行 第一步提取产品的核心功能列表按“功能名称-功能描述-用户价值”结构输出 第二步识别该产品与本公司产品的差异化点从“功能覆盖范围”“定价策略”“目标客群”三个维度对比 第三步输出竞争风险等级评估按高/中/低标注并简要说明依据 第四步将以上结果整合为一份200字以内的竞品分析摘要。 输出所有内容时请使用中文不要在分析中加入猜测性数据结论必须有资料依据。这个结构的好处是逻辑清晰模型在执行时不容易迷路。更关键的是动作指令集中在末尾相当于在它开始前再次对模型强调一遍“你要做什么、按什么顺序做”。很多写提示词的人容易忽略这个概念把背景信息、任务要求、格式要求、补充说明混在一起写一段模型在处理这样的长文本时很难分清优先级。我把动作指令和内容指令分开以后模型的执行准确率肉眼可见地提升了不少。另外还可以尝试一种“禁止性指令”技巧放在动作指令的末尾效果非常好。比如“不要使用模板化开场白”“不要重复上下文内容”“不要输出分析过程只输出最终结果”这种反向约束能让模型避开常见雷区。4.2 技巧十通过多轮交互与约束修正提示词最后一招也是很多人在尝试用AI处理复杂任务时容易忽略的提示词不是一次写完就结束了它需要跟模型进行多轮交互持续修正。我见过不少人的习惯是遇到一次不太满意的结果就直接换一个新提示词从零开始重新写。这样做浪费时间不说还可能丢失原来已经建立的上下文信息。更好的做法是第一轮先用一个基础的提示词跑通整体流程观察输出中好的部分和差的部分第二轮通过“补充约束”来修正不理想的部分而不是推翻重来。举例说明。我写一篇推广报告时第一轮的提示词是这样的请帮我生成一篇关于短视频营销趋势的分析报告。输出的问题很多报告结构松散、没有具体数据支撑、多个章节内容重复、没有可落地的建议。但我不想推翻重来于是第二轮我开始追加修正要求请在上一次生成的内容基础上进行优化 1. 将报告结构调整为背景分析、核心趋势3条、对企业的具体影响、行动建议 2. 为每个核心趋势补充至少一个代表案例案例需要说明企业名称和做法 3. 删除所有与短视频内容创作无关的泛泛而谈段落 4. 行动建议部分改为可按优先级排序的列表 5. 总字数控制在1200字以内这样修正两个来回之后报告质量已经基本达到了内部可交付的标准。还有一个更高级的用法是“让模型给你解释它为什么这样写”你可以追加一句“请说明在上一轮生成中你选择这个结论的关键依据是什么”。模型给出的解释通常会暴露它理解的错误之处你可以针对性地再修正提示词。这有点像调试代码时写单测一步一步定位“错误原因”。对于日常需要大量AI写作用户我强烈建议把“第一版草稿第二轮修正第三轮细节打磨”作为一个标准流程来执行这样用出来的效果会比其他方法稳定得多。5. 搭建属于自己的提示词模板库学会技巧之后还有一个更核心的事情要做把好用的提示词沉淀成模板库这样每次要用时直接复制修改就行。我的模板库目前大概有40多个可用模板按场景分了9个类别通用写作与邮件、营销与运营、数据分析与决策、产品设计与开发、学习与知识管理、会议与项目管理、翻译与本地化、代码与脚本生成、个人效率与生活。每类模板我坚持用一个固定的模板格式包含字段场景名称、适用模型版本、模板正文、变量说明、注意事项和使用示例。模板库的正文我直接用一个文本文件管理用Markdown记录用标签体系做索引。同步到云端之后在电脑和手机端都能方便查阅。这里不指定某个特定工具按你习惯的笔记类应用组织就好关键是结构统一、可搜索。模板库结构可以参考我的提示词模板库/ ├── README.md说明如何维护 ├── 01-通用写作.md ├── 02-营销运营.md ├── 03-数据分析.md ├── 04-产品开发.md ├── 05-学习知识.md ├── 06-会议项目.md ├── 07-翻译本地化.md ├── 08-代码脚本.md └── 09-个人效率.md每个模板文件内的组织方式不需要过于复杂但坏的实践往往是变量不清晰、字段缺失。我建议每个模板至少包含上面提到的六个字段尤其是“使用示例”这个字段很多人省掉了等过两周再翻出来时完全想不起来当初是怎么用的很可惜。5.1 从模板到范式持续迭代你的提示词资产做模板库并不是整理出来就算完真正有价值的是持续迭代。我的习惯是每次使用某个模板后如果发现效果不理想我会直接在模板里加一条“问题备注”例如“在这个场景里如果输入资料太长需要在开头加一句‘优先关注与产品定价直接相关的信息’”。积累一段时间后这个模板库会变成一份极其贴合你工作内容的私有“AI操作手册”用起来得心应手效果远超网上随便找的通用模板。另外一个非常有效的方法定期做“模板复盘”。每个月我会花一小时左右把自己这一段时间最常用的5个模板拿出来结合最新的大模型能力重新审视一遍。例如模型的可控性、上下文长度一直在提升以前需要拆得很细的任务现在可以合并以前需要给很多限制的输出现在可以适度放宽。提示词工程不是一劳永逸的事需要跟着工具能力的迭代持续演进。6. 常见问题与排查技巧这节分享几个我在实战中常遇到的问题和排查方法。这些坑对抗性不太高但一旦踩中会非常耽误时间值得提前避开。6.1 模型不听指令怎么办这是新手碰到的第一个问题明明提示词里写了“用表格输出”模型还是用一堆段落来回应。我总结下来最可能的原因是提示词里“输出格式”的位置不对或者是要求不够具体。排查顺序是这样的确认格式要求是否放在提示词的最后部分确认是否给了足够具体的格式描述例如“三列表格列名分别为A、B、C”而不是笼统地写“整理成表格”。还有一个技巧是给模型一个“坏例子”明确告诉它“不要像这样输出”比如“不要使用大段文字描述请用结构化列表”。如果以上还不行大概率是任务本身比较复杂导致模型顾此失彼。此时把输入信息压缩一下可以有效地释放模型的“注意力”。6.2 输出内容过于冗长怎么办模型默认会倾向于回答得比较冗长因为训练语料里大多数文本都是长篇的。解决办法有两个方向 一是明确长度区间比如“控制在150-200字之间”不要只写“简短” 二是引导模型先用关键词或大纲过滤再展开写。对于需要严格控制的场景我通常会在提示词最后单独加一行“最终输出内容不超过N字输出字数优先于内容完整性”。一个隐藏技巧是如果你发现长度控制不稳定可以把“字数要求”改为“段落数量”或“要点数量”模型对内容条数的把握比字数把握要精准得多。例如“输出不超过5条要点”比“输出300字左右”更容易被遵循。6.3 提示词太长导致模型“迷路”怎么办当提示词超过一定长度时模型会对早先的内容“健忘”也就是大家常说的上下文注意力偏移。这是所有大语言模型在实际应用中都可能遇到的问题。我的经验是把关键指令尽量放在提示词的开头或者末尾中间放详细的背景资料。因为模型对开头和结尾的关注度通常会高于中间部分把最重要的约束放在这两个位置能有效避免关键指令被他忽略。另外如果一段提示词反复使用后开始失效别急着大改先检查是不是内容中有太多无用的背景信息。对长提示词定期做精简删掉每段里“可有可无”的话效果往往立竿见影。6.4 模型给出虚构信息怎么处理这个问题在真实场景中挺常见的尤其是需要它写事实性内容时。处理思路分两个层面一是在提示词层面明确“你只允许使用我提供的信息不要自行补充事实”或“如果不确定请标注为不确定”这类限制性说明可以在一定程度上降低幻觉概率二是在流程层面加入人工审核节点。我给客户交付的所有AI生成内容都要求过一遍人工审核不要把模型的输出当作最终结果。7. 一点实践体会写了这么多最后聊点个人感受。提示词工程这件事看起来很玄但拆开了其实就是“想清楚你要什么并用模型能理解的方式表达出来”。很多人觉得写提示词有标准答案其实不是的模型的更新迭代、不同模型之间的能力差异、同一模型在不同上下文长度下的表现差异这些因素都会影响提示词的实际效果。所以我的核心建议是把提示词当作一个需要持续迭代的产品来对待而不仅仅是一次性的问答输入。每次使用后记录下哪种写法有效、哪种写法效果不好时间久了你会发现你对模型的驾驭能力会有质的提升。另外一个体会是模板库不是为了让提示词变得死板恰恰相反好的模板库建立在开放框架之上帮你稳定输出质量的同时也给个性化和创造性留够空间。它就像摄影中的构图参考线新手用来保证基本不出错老手用完之后照样可以打破规则。希望这10个技巧和模板库搭建方法能对你有些帮助。不要一口气全部掌控挑一个你最近会用到的最普遍的技巧从模板开始尝试用完一次再回来调整效果会比看完存起来好得多。