1. 先搞明白一个事智能电视的推荐为什么总是不对味在开始介绍提示工程Prompt Engineering之前先聊一个几乎每个家庭都遇到过的问题客厅里那台智能电视开机之后满屏都是热播剧、综艺和“猜你喜欢”可你翻来翻去就是找不到一部真正想看的片子。好不容易在手机上搜了一部老电影回到电视大屏上推荐位依然纹丝不动。这个体验应该不少人都经历过。问题到底出在哪说白了电视厂商和视频平台的推荐系统本质上是“以流量为中心”的逻辑。它优先推荐的是全站播放量最高的内容是正在热搜的内容而不是“你这个人”此时此刻想看的内容。你过去三个月看了什么、通常在什么时间段打开电视、看到一半就切掉的内容类型是什么这些信号并没有被充分利用。再加上电视是家庭共享设备一家三代人的观看记录搅在一起推荐结果就更加混乱了。这个时候提示工程就派上了用场。它原本是自然语言处理领域用来“调教”大模型输出结果的技术核心思想是把你的需求、约束条件、上下文信息用结构化的方式写成一个指令让模型的输出更符合预期。放到智能电视场景里思路完全成立与其被动接受平台推荐的“大众口味”不如主动构造一个“个性化推荐提示词”把用户画像、观看历史、时间段偏好、负面排除项全部喂给系统让推荐引擎真正为你打工。这篇文章就围绕这件事来写。我会先拆解电视场景下提示工程和纯文本对话场景的差异然后给出可以直接抄走的提示词模板接着用一套完整的调试过程展示效果变化最后把常见的坑和排查方法整理成速查表。适合谁看一是家里电视总推荐不对味、想自己折腾一下的普通用户二是做电视端产品、推荐系统的开发者或产品经理这篇文章的提示词方法论可以直接迁移到你们的落地场景里。2. 电视场景下的提示工程为什么不能照搬聊天机器人2.1 电视是一个“多模态时序多用户”的复杂环境很多人一听提示工程第一反应就是“像ChatGPT那样给它写一段话”。这个理解没错但电视场景远没有这么简单。你在电脑上跟AI助手对话输入的是文字输出的是文字上下文是连续的、线性的。电视完全不同它接收的输入包括遥控器按键、语音指令、观看时长、内容标签、播放进度甚至还包括“家里有几个人坐在沙发上”。我在实际折腾中发现提示工程在电视端的核心难点有三个第一是时序敏感。同样是晚上八点打开电视周末和工作日的需求大概率不一样。工作日晚上你可能想看一集轻松的下饭剧周末下午你可能想找一部两个小时的电影。如果提示词里不带上时间段这个维度推荐系统就只能给出“全天候通用推荐”精准度自然大打折扣。第二是多用户干扰。说得直白一点电视是放在客厅的爸爸喜欢看历史正剧妈妈喜欢看综艺孩子喜欢看动画。如果你不告诉系统“现在坐在沙发上的是谁”它就只能把你家三代人的观看历史混在一起算最终给出一个人人都能看、但人人都不满意的平庸列表。第三是元数据依赖。电视内容的判断极度依赖结构化标签导演、演员、年代、类型、地区、语种、时长这些字段缺一个推荐结果的准确率就会肉眼可见地下降。文字对话里用户会直接说“我想看一部1998年的香港警匪片”但电视端没有这样的显式输入所有信息都要提示词来“指路”。2.2 推荐提示词的三大输入信号画像、历史、上下文要写好一个电视推荐提示词得先理解推荐系统需要什么样的“料”。我在反复调参之后把核心输入信号归纳成三类缺一不可。第一类是静态画像。这是相对稳定的信息年龄段、性别倾向、常看类型、最爱的导演或演员、不喜欢的题材。比如“35岁男性偏好科幻和悬疑对言情剧过敏”这样的描述。静态画像负责兜底当系统拿不准的时候至少能给出一个方向正确的候选集。第二类是行为历史。这是动态信息也是信息量最大的部分。包括最近一周看了哪些片子、每一部的观看完成度、是否反复重看、快进集中在哪些片段。比如“上周看了两部科幻片完成度都超过90%但第三部《某星际题材作品》看了十五分钟就退出”。这种细节能告诉系统你不是不喜欢科幻而是不喜欢太空歌剧式科幻更吃硬核技术流那一套。第三类是实时上下文。这是最容易写漏、但效果最立竿见影的信号。包括当前时间、星期几、观看设备是客厅电视还是卧室投影、是否处于连续观看状态、旁边的家庭成员还有谁。我做过一个测试在同一天晚上给系统分别输入“工作日晚间家庭观看”和“周末午后独享”推荐列表的重合度不到三成。上下文变量对结果的影响远比大多数人想象的大。这三类信号要怎么组装进提示词是有讲究的。顺序、措辞、约束格式都会影响最终输出。我见过很多人写推荐提示词洋洋洒洒写了一大段“我喜欢很多类型的电影除了恐怖片最近看过……”结果是系统完全跑偏。原因很简单信息没有结构化模型抓到什么算什么。3. 直接可用的提示词模板与调教过程3.1 推荐提示词的标准结构一段话拆成五个块我自己反复试验之后收敛出了一套“五块结构”的推荐提示词模板。不管是在电视端建设推荐Agent还是手工构造输入都建议按照这个结构来组织第一块角色与任务声明。开头就要告诉系统它要干什么。我常用的写法是“你是一名资深影视推荐助手熟悉全球影视内容库请结合以下用户信息从候选片库中挑选并排序推荐结果。”为什么要先做角色声明因为推荐系统在无指令状态下默认任务是“展示全站最热内容”必须通过显式声明把任务拉回“为用户定制”的轨道上。第二块用户画像描述。用一个短段落浓缩静态画像越具体越好。举一个我实际用过的例子“用户为30-40岁男性日常偏好硬科幻、历史纪录片、高分悬疑剧对纯爱情题材、古偶剧强烈排斥可接受动画但偏好写实风格。”第三块近期行为摘要。把最近一段时间的观看历史做一次“压缩式改写”。不要罗列片名而要提炼特征。我会这么写“近两周观看记录显示用户完成了两部长篇科幻剧集平均完成度超过85%尝试过一部高分悬疑电影但中途切换重复观看了某部历史纪录片的第二季第3集共两次。”系统需要的是这些信息背后的规律不是片目清单。第四块上下文约束。写明当前的实时条件。比如“当前时间为周六上午11点客厅电视预计观看时长1.5小时以内家庭场景中有成人及两名儿童”。我在写这一块时发现一个很实用的技巧把“预计时长”写进去推荐系统会自动过滤掉那些时长超过预算的内容宁可不推荐长片也不要给你一部看到一半就得关掉的电影。第五块输出格式要求。这是很多人会漏掉的一步。明确告诉系统你要什么样的结果并且给出结构和条数限制。我的标准写法是“推荐8部影视作品按优先级降序输出每部作品需附带一句不超过20字的推荐理由每部作品给出匹配度百分比避免推荐用户明确排斥的类型。”加了这一块之后输出稳定了很多不会再出现“推荐了五部全是爱情片”这种尴尬。3.2 一个“热播推荐”到“定制推荐”的完整改造实录理论讲完上个具体案例。场景就是我家里那台电视某国产品牌上面装了两家主流视频平台。改造之前开机推荐栏清一色是平台自制热播剧我对这些题材完全提不起兴趣真正想看的冷门老片要靠自己进搜索框一个一个敲。我做的第一版提示词走的是“请推荐几部好看的电影”这种朴素路线。结果如何系统推荐了当周票房榜前五名和默认首页没有本质区别。原因很简单提示词里的信息量太少推荐系统没有获得任何能区分“我”和“所有人”的线索最后就只能退回到全站热门这个安全选项。第二版我完善了用户画像和行为历史结构大概是这样“用户偏好科幻、悬疑、纪录片排斥言情最近完整看完了某硬科幻剧认为硬核设定是加分项当前是周六下午单人观看下午有多余时间可以接受两小时左右的长片。”这一版的效果已经明显改善推荐列表里的科幻、悬疑占比升到了六成而且匹配度最高的那一部确实是我之前标记过“想看”但一直没找到时间看的片子。第三版我在输出格式上加了“逐条推荐理由”的要求。这一步看似简单实际上对整个系统的行为影响很大因为系统需要为每条推荐给出一句理由它就不得不在挑选阶段更认真地匹配画像而不是随手拉一个热门片凑数。理由写得越具体这一次的推荐质量就越高。整个改造过程核心原则就一句话你给系统的信息量直接决定推荐结果的上限系统本身的能力只是下限。这句话我后来在多个场景里反复验证过无一例外。4. 几个实测过的有效技巧以及背后的原理4.1 “负面约束”比“正面偏好”更管用在写提示词的时候我最初的直觉是把喜欢的东西写满于是写了“我喜欢科幻、悬疑、纪录片、历史剧……”结果推荐列表反而变得平庸。后来我改了一个写法把“排斥项”提到了前面“用户强烈排斥以下类型言情剧、古装偶像剧、慢节奏生活剧。”效果立刻就出来了。原因也不难理解推荐系统的候选池里热门题材的占比极高如果你只给出几个喜欢项系统在热门池子里挑选的空间依然很大挑来挑去还是那些大众熟脸。但排斥项一旦明确就等于把一大片热门内容直接划掉候选池瞬间收窄剩下能推给你的自然就是更贴近口味的内容了。这个技巧在后来的实验里反复被验证。我试过给系统写“不喜欢××导演的全部作品”结果它真的会把这位导演的相关内容从推荐列表中彻底移除。负面约束还能叠加使用排斥类型、排斥演员、排斥年代区间、排斥语言四层约束加满推荐列表的“陌生感”会大大降低。4.2 把历史的“非理性”写进去反而更有价值很多人整理观看历史时只提取“看过什么”忽略了“看到一半就关了”这个更关键的信号。实际上未完成的行为比完成的行为更能说明问题——一个人完整地看完一部片可能只是因为它足够短但一个人看了三十分钟就退出往往意味着它在内容层面根本不对你的胃口。我在提示词里有意识地加入“中途放弃记录”。例如“用户尝试观看某古装剧15分钟后退出后续不再推荐同类作品。”这条信息加入之后推荐系统对“古装剧”这个类型的敏感度明显提高了。原理上讲放弃记录是一种负反馈信号它对推荐权重的惩罚力度是正反馈的好几倍。把负反馈明确写进提示词是拉高推荐精准度最经济的手段。4.3 定期给身份画像打标签比让系统靠猜靠谱得多电视是共享设备用户身份识别一直是个老大难。人脸识别在绝大多数电视上不可用遥控器没有用户选择按钮语音声纹识别也不够成熟。我目前用的一个折中方案是在提示词里显式指定“当前用户”。家里看电视的人多我就把每个家庭成员都“固化成一张画像卡”。比如“用户A35岁男性偏好科幻悬疑排斥言情”“用户B32岁女性偏好综艺和生活类纪录片接受悬疑但排斥血腥画面”。谁要看电视就在遥控器语音助手那里说一句话“切换到用户A的推荐”。本质上就是把用户切换的动作显式化不给系统猜的机会。这个方案从实现角度来说极其简单——只需要在电视设置里做一个多画像切换入口——但对推荐体验的提升是决定性的。我测过同一个时间点、同一个电视用户A和用户B的推荐列表重合度只有40%左右。手动切换一次的成本不到五秒换来的却是完全不同的精准体验这笔账非常划算。5. 常见问题与排查技巧实录5.1 提示词写了一大堆推荐结果反而变差了这个问题我遇到不止一次。信息加得太多系统反而抓不到重点尤其是一次性塞入大量历史行为摘要、家庭成员画像、内容偏好描述模型会被“信息过载”拖垮。再叠加有些平台的底层推荐策略本身权重就很大用于个性化腾挪的空间本来就不大。排查方法把所有画像信息拆开做“单因子对照测试”。只保留一个变量比如只保留排斥项看推荐结果有没有明显变化再加上时间上下文再跑一轮逐步叠加找到“从量变到质变”的那个关键转折点。如果单因子测试中某一项对结果完全无影响大概率是这条信息没有被系统采纳可以直接丢弃。另外还要注意提示词的新鲜度。我曾长期使用一个两周前写的提示词没做任何更新结果到了第三周推荐质量明显下滑。后来想明白了行为历史是动态的你看完了一批老片追完了一部新剧这些变化都发生在提示词之外系统当然不知道。建议每周更新一次“近期行为摘要”至少也要在行为模式明显变化的节点重新生成。5.2 推荐列表出现了多次重复的内容推荐列表里反复出现同一部作品是另一个高频问题。原因是候选池太窄——如果你把屏幕尺寸、片库授权、排斥项、时长限制等条件全部叠加筛到最后就剩几十部片子系统只能在这几十部里来回排列组合。解决办法有几个调整输出格式要求为“按主题分散推荐同一个子类型的作品不超过2部”或者放宽边缘约束比如把时长从“90分钟以内”改成“100分钟左右”把类型从硬编码改成允许相近类型延伸。还可以设置“去重轮次”让系统每轮生成推荐时自动剔除上一轮已经推荐过的作品。实际操作中这几种方法组合使用重复率可以从50%降到10%以下。5.3 提示词生效了但推荐的“冷门精品”平台片库里根本没有还有一种让人哭笑不得的情况提示词写得很好推荐结果也确实准但用户点击进去一看——没有版权或者需要单独付费解锁。这是片库覆盖范围的事提示工程解决的只是“在已知候选池里找最匹配的”没办法创造内容。应对思路分两步第一在提示词里直接加上“仅从当前平台可播放内容中推荐”的约束把不可播内容从候选里去掉第二把这个“片库盲区清单”反向利用——把你想要但平台没有的片目记下来抽空去另一个平台搜。有不少片子在某家平台是稀缺内容换一家可能就在免费区躺着。5.4 提示词在应用层怎么集成才能不拖慢启动速度如果提示词是人工编辑后手动喂给推荐系统不太存在性能问题。但如果想做自动化——比如每次开机自动加载个性化推荐建议把提示词的构造工作放在服务端而非电视端。电视端的算力有限做一次完整提示词推理可能要消耗好几秒资源直接影响开机首页的加载速度。我建议的架构是电视端启动后发送一个轻量请求服务端根据用户的画像数据、行为日志和上下文信息在云端完成提示词构造以及推荐结果生成再推送回电视端展示。整个过程做到一两秒内完成才不破坏开机体验。同时利用缓存机制把算好的结果缓存一段时间比如上午缓存一次、晚上缓存一次可以进一步减少实时计算的压力。到这里提示工程在智能电视推荐场景里的玩法就基本讲透了。从理解为什么电视推荐会“不对味”到实际动手写提示词、调参、排查问题整个过程并不复杂真正拉开差距的是能不能把画像、历史、上下文这三类信号持续地、有纪律地喂给系统。我自己现在看电视已经彻底告别了“首页刷半小时不知道看什么”的状态推荐位里的内容十个有七八个是合口味的——这个变化靠的不是平台的算法升级而是我开始花十分钟把自己的需求“讲清楚”了。你家的电视想必也值得这十分钟。