提示词设计这四个字在圈子里已经快被说烂了。翻翻收藏夹人人都有几十条万能模板可一旦真到自己手头想让模型写一篇长文、整理一份数据、改一段代码的时候那些模板就一个个失灵了。于是有人得出结论模型不行AI还是不够聪明。我的看法恰恰相反——大多数时候不是模型不行是提示词不行。我自己最初也把这些工具当高级搜索引擎用后来在几类高频任务里反复磨了很长时间才慢慢把靠感觉写提示词变成按原则写提示词。这个转变非常关键它意味着你不再依赖灵感而是能系统性地检查自己漏了哪一块、多了哪一句。这篇文章要讲的7大原则就是从那段时间的实战中沉淀出来的不是什么高深理论每一条都对应过非常具体的翻车现场。适合正在用对话式AI做实际工作、但总觉得输出差一口气的人参考。在展开这7条原则之前我得先花点篇幅说清楚一件事模型到底是怎么读提示词的。不把这个底层逻辑讲明白后面每一条原则你最多只能记个结论换一个场景就不会用了。1. 先弄明白你的提示词为什么翻车1.1 模型不是搜索引擎它是个接话茬的高手好多人的第一个误区是默认大模型是个什么都知道的知识库提示词只是查询口令。查不到就换关键词查得不对就骂模型傻。可大模型的底层工作方式完全不是这样它不会在数据库里捞文档而是拿着你给的这段文字一个词一个词地预测下一个词最该是什么。换句话说你写的提示词是它续写故事的起点而不是它查询资料的索引。这个差异非常关键。搜索引擎对关键词的宽容度很高多一个词少一个词影响不大而大模型是对开头极其敏感的续写器。你的开头给了几个词它只能在这个开头暗示的方向上继续写你的开头给了很多具体约束它每次续写时可供选择的候选方向就少了一大截。你让模型自由发挥的时候它选择的其实是全概率分布里最常见的那个方向——这通常意味着四平八稳、泛泛而谈、难以出错但也没有信息量。为了让这个机制更好理解我喜欢拿接话茬来打比方。你跟朋友聊天说最近天气真热朋友大概率会接是啊都三十多度了但如果你说今年夏天好像比去年热不少不知道是什么原因造成的对方就只能顺着高温成因这个方向去接了。模型也一样它的接话质量上限被你的起话质量牢牢锁住。1.2 提示词的本质降低模型的猜测空间既然模型是个续写器提示词设计的本质就浮出水面了我们不是在命令它而是在引导它的续写方向引导得越明确它需要猜的地方越少输出就越接近你心里那张草图。我把模型输出和用户预期之间的偏离程度叫作响应偏差。响应偏差大的提示词一般长这样指令宽泛、角色缺位、步骤模糊、格式不设、边界不划。响应偏差小的提示词恰好相反它把能定的维度尽量都定下来让模型想偏都难。你可以把模型想象成一个方向感很差但执行力很强的外援你给它一张越详细的地图它走错路的概率就越低。这也是为什么后面7条原则会反复出现同一个逻辑每个原则解决一类猜测空间。意图窄解决的是写什么的猜测角色定解决的是站在什么立场写的猜测步骤拆解决的是先做什么后做什么的猜测格式显解决的是成品长什么样的猜测边界划解决的是什么不能做的猜测上下文做减法解决的是哪个信息最重要的猜测迭代跑解决的是第一版不可能全对的猜测。先把这个总逻辑放在脑子里接下来逐条展开时会顺很多。2. 原则一到三先把做什么说清楚2.1 原则一意图要窄不要宽第一条原则对很多人来说最难接受你写给模型的提示词意图一定要窄越窄越好。举个最常见的例子。你让模型帮我写一份市场分析报告它到底该从哪写起行业规模竞品格局用户画像政策环境还是未来趋势这些东西它全知道于是它只能挑一堆高频内容拼在一起生成一份听起来都对但没有观点的报告。这不是模型能力不够是你给它的选题范围太大大到任何单一方向都只是众多选择之一。把意图收窄我的标准动作是套一个固定句式动作 对象 约束。动作是写、总结、对比、评价、改写里的一个对象是具体且唯一的主题约束是字数、语气、受众、结构、边界里挑两三个。套完之后帮我写一份市场分析报告就变成了以智能家居行业为对象写一份面向创业团队内部决策的市场分析报告重点比较三家头部厂商的差异化战略不超过1500字语气务实不空谈趋势。这已经是两个完全不同的任务了。这里有个经常被误会的点意图收窄不等于写得长。有些人收到建议后开始往提示词里堆你要专业一点要全面一点要有深度一点写了一大段但对模型来说全是无效信息。真正有效的收窄是给具体的人、时间、范围、数量。比如只分析近三年的数据受众是25到35岁的一线城市白领给出5个可执行的方法而不是10个笼统建议——这类信息每加一条模型的选择范围都会明显变小。2.2 原则二给模型一个角色和工作背景第二条原则是给模型设定角色。这里我不多说理论直接给一个对比你自己感受差别。同样是让人工智能产品经理写用户留存分析直接说请分析如何提高用户留存和说你是一名有五年经验的增长产品经理请分析如何提高用户留存后者的输出在专业术语密度、分析框架和结论的果断程度上都会明显提升。原因很简单角色一设定模型的组织语言方式就自动切换到了对应职业的语境里。但绝大多数人做角色设定时力度是不够的。只会写你是一名专家这种空话等于没写。有效的角色设定我建议包含三个要素专业背景、服务对象、回答风格。比如这样写你是一名有十年企业培训经验的人力资源顾问正在为一家成长型互联网公司设计新人培养方案。回答时请优先关注落地成本语气务实避免空谈理念。背景告诉模型站在哪对象告诉模型讲给谁听风格告诉模型用什么口吻三个要素一到位它的输出立刻就有了人味。我自己实际测试下来的感受是角色这一条对长文生成的提升最明显。短任务里角色和角色之间差异可能只有10%左右但一旦任务超过1000字角色设定的影响会显著放大设定过和没设定过的输出几乎像出自两个人之手。原因也不难理解长文生成时模型需要在大量细节里保持一致的口径角色就像是那个口径它兜住了全篇的语气和立场。2.3 原则三把大任务拆成小步骤第三条原则是把大任务拆成小步骤。很多人习惯一次把需求全说完希望模型一次性交付完美的最终成品。但以我对模型的长期观察长任务在生成到中段时非常容易出现失焦开始的部分遵守了你的指令末尾的部分渐渐偏离甚至开始重复前面的内容。为什么会这样大模型的注意力天然更偏向提示词的起始部分任务越长后半段能分到的注意力预算越少。所以要顺应这个规律把一个大任务拆成几段每段单独对话。比如写一份完整方案别指望一次成稿第一步让模型先出大纲明确方案包含哪几个模块第二步挑出你最需要深挖的模块单独让它展开第三步把生成的内容粘回对话里让它根据整体框架检查遗漏、补强细节。这个三步式我几乎每天都用。一开始会觉得麻烦明明一句话能说清楚的事干嘛拆三轮但用两次就会意识到拆开之后每一轮的输出质量都高得多而且因为每轮任务小你有更多机会在中途纠正方向整体效率反而是高的。拆任务的颗粒度怎么定我有个很好用的标准想象你要把这件事交代给一个第一天上班的实习生你会分几步你分几步提示词就拆几轮。模型的单轮任务处理能力可能比实习生强但它在长任务上的专注力和缺乏全局观念这一点确实和实习生有得一拼。3. 原则四到五把怎么做和不能怎么做说清楚3.1 原则四显式指定输出格式第四条原则说的人相对少一些但效果极其稳定那就是在提示词里显式指定输出格式。别小看这一步。模型生成内容时格式和内容是交织在一起的你让它先结论后理由它思考路径就会往结论导向走你让它用表格汇总关键点它为了让表格成立就会主动寻找能放进表格里的结构化信息。换句话说格式约束不只是排版层面的要求它还在暗中帮你塑造内容。我常用的显式格式写法包括这么几类一是结构用三级标题组织一级标题一个二级标题三个每个二级标题下加两个三级标题二是顺序开篇一句话给出核心结论然后分点论述最后用表格汇总对比三是粒度每个要点控制在100字以内只保留有信息量的句子删除铺垫。格式写得越具体模型在结构上的自由度越小而结构自由度小往往就意味着内容更紧凑。这里插一个常见疑问有人担心格式写得太细模型会不会为了满足格式而牺牲内容我的经验是不会至少在我测试的绝大多数情况下不会。模型很擅长先搭框架再填内容你给的格式相当于给它递了一张骨架图它填起肉来反而更轻松反倒是格式完全放开的时候它经常在该讲重点的地方突然跑去举例或该举例的地方一笔带过整体节奏稀烂。还有一个更进阶的用法把输出格式当成思维模板。比如做分析类任务时我总会在提示词里追加一句每个问题都按现状—原因—行动建议三段式回答。这句话表面上是在规定格式实际上是在教模型按一个更成熟的思考框架来组织信息输出质量会比你只喊请深入分析稳定得多。3.2 原则五主动划定不能做的边界第五条原则是我后来补充进自己体系的光说要做什么不够还得把不能做什么写明白。最典型的场景是资料整理和翻译。模型有个让我又爱又恨的特性它太想给你一个流畅的答案了哪怕这个答案是编出来的。比如一份数据里明明没有2023年的增长率你让它总结它有概率自动脑补一个。这时候如果你在提示词里明确写上不要编造数据找不到的信息直接说未提供它的表现立刻会谨慎很多甚至会在结尾主动标注以上信息中XX项未在原始材料中找到。边界指令的适用场景远不止防编造。写营销文案时你写一句不要用限时抢购错过再等一年这类促销套话它就会绕开那些烂大街的高概率表达写工作总结时你写一句不要写承蒙各方支持团队共同努力这类正确的废话它立刻会换一种更实在的写法。这些指令的本质是逼模型离开最安全但最没特色的概率路径逼它往更有信息量、更有个人风格的方向走。但边界指令的策略要注意三点。第一数量不要太贪一条提示词里控制在三条以内超过三条模型容易混乱反而连该做的事都做不好第二要放在正向指令后面顺序一般是你该做什么—你该怎么做—你不能做什么模型对越靠后的信息记忆越浅所以边界指令放最后但不要离任务太远第三能用正面量化表述的尽量不要用否定句这个细节我在后面第6章还会展开讲。4. 原则六到七学会做减法也学会做迭代4.1 原则六上下文是参考不是堆砌第六条原则针对的是上下文管理。我见过两类极端的用户一类是完全不给上下文让模型凭空猜另一类是不管什么任务先把一大摞材料全粘贴进去把模型的输入框撑到极限。前者的问题是模型缺少必要背景后者的问题是背景太多模型根本分不清重点。这个现象背后的原理还是注意力的分配问题。模型不是看一遍全文然后把所有内容等权记忆它会在每个生成步骤里动态分配注意力当你的上下文里塞满了背景材料它真正要执行的指令就只占很小一部分权重表现自然就打折扣。你可以这样理解一个人走进一间堆满杂物的书房你让他把桌上那支笔拿来他首先要花时间分辨哪张是桌、哪支是笔——东西越杂找到目标越慢。我的做法很简单给上下文分级。核心指令永远放最前面示例紧挨着指令放背景资料压缩成一小段放在最后而且只保留与任务直接相关的部分。如果原始材料特别长我不会直接全塞进去而是先让模型对材料做一轮摘要或结构化提取拿到中间的提纯版之后再携带这个结果进行后续任务。相当于先让模型当了一回阅读助理再让它干正事。另外示例的摆放位置也值得讲究。想让模型模仿某种风格时示例最好放在指令之后、任务内容之前而且距离任务内容越近越好——离得太远模型对示例的记忆强度会衰减模仿容易出现偏差。4.2 原则七把第一版提示词当草稿别当答案第七条原则也是最反直觉的一条别指望一次就把提示词写对。我见过很多人因为第一版提示词效果不好就放弃了这个工具或者反过来说模型不行。但实际上提示词设计本质上是一个迭代过程第一版的作用是探方向而不是出成品。面对一个新任务哪怕我已经写了几年提示词第一版通常也只能拿到六十分。这不是水平问题是新任务里总有你预判不到的坑。迭代的方法论我在实践里总结成三步。第一步先跑一个粗版重点看它输出的大方向对不对第二步把输出里偏离预期的地方逐一标出来挑其中最影响观感的一处补一条针对性约束然后重跑第三步重复上一步一次只加一个约束观察变动带来的效果差异。之所以强调一次只改一个变量是因为模型输出受提示词影响很大同时改两三个变量就算结果变好了你也不知道是哪一步起的作用这种经验是无法沉淀的。还有个小技巧丢掉不理想的输出之前先别急着删对话。我会对着它的输出反向问自己一句它写成这样是因为我少了哪个信息这个反向追问往往比盯着提示词干想更有效。因为模型的错误本身就是最好的提示词诊断报告——你哪条约束没给到位它就会在那个位置翻车给你看。当某条约束连续两三次都被验证有效之后我就会把它记进自己的提示词笔记形成常备弹药。长期积累下来你会发现写作新提示词时越来越省力因为你要做的大量选择其实早就被过去的自己验证过一遍了。5. 实测对照同一需求五种写法差距有多大5.1 从宽泛版到完整版每加一条原则都看得见变化前面六条原则讲完光说理论不容易建立体感。我拿一个真实测试来说明需求是让人工智能产品经理分析如何提高用户留存我按原则逐级叠加写成五个版本同一个模型跑出来的差异如下表。版本提示词要点典型输出表现第一版请分析如何提高用户留存内容大而全堆了四五个方向每个方向都很浅读完像看教科书目录给不出可执行的取舍第二版请针对面向大学生的背单词App分析提高用户留存的具体方法重点考虑学习动力下降的场景范围聚焦了但结构还是松散结论藏在段落中间要自己去找第三版第二版基础上加上你是一名有五年经验的增长产品经理用词明显专业开始出现唤醒机制行为惯性这类内部术语立场也更明确第四版第三版基础上加上先分三个维度每个维度展开两个方法最后给出优先级排序结构直接可用了哪个先做、哪个后做一目了然可以直接拿去当讨论底稿第五版第四版基础上加上开篇一句话给结论每个方法给出适用条件和不适用条件不要写保持用户活跃这类空话输出接近一份能放进周报的分析材料有立场、有边界、有取舍几乎不用再改值得强调的是五个版本之间不是越改越长越好的关系。第一版如果你只需要一个快速头脑风暴的结果它是够用的第二版适合当作初步素材真正需要交付质量时才需要跑到第四、第五版。提示词设计的核心从来不是把提示词写得越长越复杂而是在够用的基础上把模型猜测空间压到你能接受的程度。我特别想说一下第四版到第五版的变化。很多人觉得边界指令只是在防错但我的测试里第五版那句每个方法给出适用条件和不适用条件其实起到了双倍的作用它既强制模型在推荐方法时保留判断余地又让输出整体多了辩证感。同样的内容少了这句话看起来像一份营销稿多了这句话就像一份分析稿。边界指令的威力往往比你预想的大。5.2 用对照法建立你自己的提示词敏感度这种逐级加约束的对照测试我建议你也亲手做一次。做法很简单固定同一个任务每轮只加一条原则记录下模型输出在你关心的维度上发生了哪些变化。做上五六个任务你对哪类约束对输出影响大哪类约束对输出影响小就会建立起自己的判断这比背任何模板都有用。我自己的经验是有几个规律在多数任务下都成立格式类的约束几乎总是立竿见影角色类约束对长文影响明显、对短句影响次之边界类约束在防编造和去套话场景里最有效上下文类约束在任务越复杂时越关键。搞清楚这些规律你以后写提示词就不再是无脑堆条件而是按需点菜。6. 几条容易被忽略的提示词细节6.1 指令顺序、否定句和量化表达细节一是指令的摆放顺序。模型对提示词开头和结尾附近的注意力都比中间高但开头又比结尾更关键。所以最重要的约束一定要放在最前面哪怕是你是一名XX这种角色设定都不必第一句就写第一句最适合放的是核心任务是什么。实际操作里我写提示词时会把最重要的一句话作为第一句余下按重要度递减往后排这样即使模型生成到后半段开始分心最核心的要求也已经被牢牢记住。细节二是否定句的效力弱。模型的文本生成是基于词概率的它对不要做X里的X仍然会分配一定的激活权重于是你越说不要写空话它反而越容易生成空话。解决方式是尽量把否定句翻译成正面的、可量化的描述。把不要写得太长改成全文控制在600字以内把不要空谈改成每个观点必须附带一个具体案例或数据把不要用营销腔改成语气对标行业白皮书。我最初对这几条细节也不太信总觉得措辞而已影响能有多大直到有一次我连续在两个版本里测试不要使用夸张语言和请使用客观、克制的措辞后一个版本的输出在形容词密度上肉眼可见地收敛了。从那以后我就养成了一个习惯写完提示词后把里面所有的不要X都尽量改写一遍改不掉的再保留。每次改写完输出质量都会默默上一个台阶。6.2 别迷信魔法词好提示词是可解释的网上一直流传各种魔法词比如加一句请一步一步思考质量就上来了或者在前缀加一段你是世界顶级的XX专家效果就会变好。我不否认这些词在部分模型和部分任务里有效但它们都只是现象级的技巧不是原理。真正需要掌握的是它们为什么有效让你分步思考本质是强迫模型先生成推理过程减少跳步导致的错误让你扮演顶级专家本质是把回答的措辞分布推向那个领域的专业语境。理解了机制你就能自己造出属于你的魔法词。好提示词有一条底线每个部分都可解释。这句话是为了限定范围那句话是为了设定角色那句话是为了规定格式。如果你写的提示词里有一半是抄来的、自己也说不清用途的咒语那它一定不可复用——换个模型、换个任务大概率失效。我见过一些人每次写提示词都要先去搜最有效的提示词搜完贴一堆在网上流传的神秘语句最后效果不好就开始怀疑人生。其实那些语句本身没有错错的是把它们当成黑盒。你可以把这当成一条自检标准写完之后如果某句话你解释不了就删掉它或者搞懂它。长期这样做你的提示词会越来越瘦但越来越准。6.3 模型版本更新了提示词也要跟着体检细节三是关于模型版本更新的。不同模型甚至同一个模型的不同版本对提示词的服从度和敏感度差别不小。同一个提示词上一个版本输出很稳定更新之后可能风格突变甚至关键指令失效。这不算bug模型底层的概率分布变了原来那些高概率路径自然也跟着变。我的习惯是每当正在使用的模型发布明显更新就把自己提示词笔记里的高频模板挑三五个跑一遍对照测试看看还有几个能用、哪些要改。这套体检花不了十分钟但能避免很多关键时刻的输出翻车。提示词经验的积累是滚雪球式的但要及时维护否则雪球越滚越脏还不如重新滚一个干净的。7. 落地三个可以直接抄的提示词模板7.1 内容创作类模板如果目标是写一篇文章、一份文案或一条社交平台风格的分享我常用的基础结构是你是一名[职业/背景]。请为[受众]写一篇关于[主题]的内容全文约[字数]字。要求1开篇用[一个具体场景或问题]引入不要用空泛开场2正文分成[数字]个小节每节只讲一个核心点并配一个案例3结尾给出一条可执行的行动建议。注意不要使用[某类套话]不要编造[某类信息]。这个模板覆盖了角色、对象、步骤、格式、边界五条原则。用的时候只要改括号里的内容上下文很少需要额外补充。它最关键的设计是把开篇引入方式也写成了显式约束因为文章的开头从来都是最影响观感、也最容易被模型默认成四平八稳的部分。使用这个模板时有个我反复踩过的坑开篇引入方式如果给得太抽象比如只写用有趣的方式引入模型还是会退回到泛泛而谈。后来我会直接给出开篇素材比如从这样一个用户场景切入一位上班族在地铁上打开背单词App连续三天没有打卡。给得越具体模型越容易顺着这个钩子展开整篇文章的可读性也会跟提升。7.2 资料整理与数据分析类模板做资料整理类任务时对抗编造是第一优先级。我的基础模板长这样以下是[材料类型]的原始内容请基于它完成[任务][粘贴材料]。要求1所有结论都要在材料中有出处找不到的内容直接在结果中标注原文未提供2按[表格/清单]形式输出汇总关键信息3不要扩充任何原文没有的背景知识4如果原文存在矛盾之处如实列出冲突点。这套模板最大的价值是那几条边界指令。标注原文未提供和不要扩充背景知识能把模型的编造率压得极低。尤其是做合同审查、资料翻译、报告提炼这类任务时我宁可它说没找到也不希望它用一个流畅的假信息来糊弄我。上下文方面因为原始材料往往很长我会先在单独一轮对话里让模型做摘要再把摘要作为上下文带入正式任务防止注意力被稀释。这类任务我还要额外提醒一句粘贴材料之后记得把材料本身的来源范围说清楚。比如以下是这份报告第三章的全部内容要给模型一个明确的操作范围否则它有可能会把材料之外、自己记忆里的信息也掺进来。边界划得越细整理出来的东西你越敢直接用。7.3 代码与技术方案类模板技术任务里的提示词重点在于需求具体和边界清晰。我的基础模板是请用[技术栈/编程语言]实现[功能描述]。硬性要求1输入和输出的格式分别是[具体格式]2关键边界条件按[列表]处理未列出的情况统一抛出明确报错3代码需包含必要的错误处理和注释4不要使用[某类过重/不合适的方案]优先考虑[某类更合适的方案]5先说出你的实现思路再给出代码最后列出测试用例。这里要求模型先给思路再写代码本质是让它在动手前先做一次规划和自检能明显减少代码里那种能跑但逻辑别扭的问题。边界条件写得越细模型越不容易在你的数据集上偷偷假设一些条件。技术任务里我一般会把输出格式也一并定死比如函数签名、返回结构减少后续集成时的沟通成本。技术模板还有一个好处它给了你一个稳定的review点。因为模型是先给思路再写代码看完思路你就能判断它有没有理解需求不用等代码写完才发现方向错了。这一步提前拦截掉的问题远比改代码本身省时间。最后说几句我现在的使用习惯。经过这么长时间的实践我已经不太会再从头到尾一个字一个字敲提示词了而是先在脑子里过四个问题这个任务的核心动作是什么产出是给谁看的成品大概是什么形式哪些情况一定不能出现四个问题想清楚提示词基本就写完了。这四个问题的背后正好就是前面那7条原则——意图、角色、步骤、格式、边界、上下文、迭代。它们不是孤立的技术细节而是一套完整的给一个聪明但没有常识的合作者写简报的方法论。工具会迭代模型的版本会更新但这套思考方式我觉得一时半会儿是不会过时的。