写提示词这件事我前后琢磨了快两年。从最早把大模型当搜索引擎用问一句答一句到现在能稳定地产出一套能复用的高质量指令中间踩过的坑一点不比写业务代码少。今天不聊虚的直接把我一直在用的4类提示词风格、每类的适用场景、完整模板和改写思路全部摊开你拿去就能改造成自己的版本。这篇文章适合所有被AI回答得不像人话困扰的人——不管你是做内容、做产品、做编程还是做运营只要你想让AI输出的质量从能看变成能用这篇都值得读完。1. 先搞清楚提示词到底在解决什么问题1.1 提示词不是聊天是任务说明书很多人对提示词有个误解觉得它就是把需求说得更详细一点。实际上提示词的本质是一份结构化的任务说明书。你想想看如果你请一个外包同事帮忙写报告你会怎么说你肯定不会只说一句写个报告而是会告诉他你是谁、给谁看、什么格式、多少字、侧重什么、别写什么、什么时候要。这些信息AI一个都不缺但它无法替你脑补。模型只会根据你给出的文字去做概率预测你说得越模糊它就越倾向于给出最大众化的答案——也就是那种正确的废话。我刚开始写提示词的时候最爱犯的毛病就是高度概括。比如让AI写一个产品介绍我就写帮我写个产品介绍结果出来的内容全是本产品采用先进技术、为用户提供优质服务这种套话。问题不在模型在我。模型不是傻是我根本没告诉它产品是干嘛的、面向谁、要什么语气、要什么结构。1.2 底层逻辑模型怎么理解你的话要写出好提示词得先明白一件事大模型的运作机制不是查找答案而是生成下一个最可能的词。你给的一句话会激活模型内部某种概率分布它顺着这个分布一路往下生成。这就解释了为什么提示词里的每个字都重要——不是因为它懂你的字面意思而是因为你的用词会把它引向不同的语义空间。举个最直观的例子。同样一个任务写一段关于咖啡的描述你在提示词里写咖啡的香气和咖啡的苦涩模型生成的内容完全是两个方向。前者会偏向描述花香、果酸、焦糖甜后者会偏向描述烟熏味、苦度、喉韵。你根本没说要写什么但关键词已经悄悄定义了整个输出方向。这就是提示词工程的底层逻辑你不是在命令AI你是在用语言引导一个概率模型往你想要的方向走。理解了这一点你再看下面那4类提示词风格就会明白每一类其实都是在用不同的方式做同一件事——缩小模型的输出空间。2. 高质量提示词的通用骨架2.1 五要素框架角色、任务、上下文、约束、输出格式我写提示词这两年的最大收获就是总结出了五要素框架。凡是复杂的、要求高的提示词不管什么风格底层都离不开这五块要素作用典型写法角色限定回答视角和语言风格你是一位有10年经验的资深产品经理任务明确你要它做什么请分析以下用户反馈归纳出产品问题上下文提供必要背景信息我们的产品是一款面向中小企业的报销SaaS约束划定不可逾越的边界不要编造数据不确定的地方写待确认输出格式规定结果的呈现形式用表格输出包含问题类型严重程度建议三列这五个要素不一定每次都全用但一个完整的高质量提示词至少应该覆盖其中三到四个。你去看看网上那些所谓的万能提示词模板拆开之后全是这五要素的排列组合。区别只在于高手知道什么时候该强化哪个要素。为什么角色这么重要因为模型在生成时会对你让它扮演的人进行风格对齐。你说你是一位严谨的审计师它输出的内容会明显比你是一个普通人更注重数据、口径和风险提示。这不是玄学是模型训练时就把角色的语言特征内化进了参数里。2.2 从模糊到精确把需求翻译成指令我之前带过几个同事写提示词发现他们最大的问题不是不会写而是不会翻译。脑子里有需求嘴里说出来却全是模糊词。比如写得好一点更专业一点高大上一点这些话对AI来说就等于没说。什么叫好什么叫专业模型只能猜。翻译的方法其实很简单把每个模糊词都问自己一句具体是什么。举几个我常用的翻译对照写得好一点 → 使用短句多用数据支撑逻辑按问题-原因-方案展开更专业一点 → 使用行业术语如ROI、转化率、流失率避免口语化表达有创造力一点 → 提供3个完全不同方向的方案每个方案用一句话概括核心思路内容全面一点 → 覆盖背景、现状、问题、分析、方案、风险、预期效果7个部分这套翻译习惯养成了之后你会发现写提示词的思路彻底变了。你不再是在要求AI而是在设计一份精确的生产参数。就像做饭——你说咸一点厨师只能凭感觉你说每份菜加2克盐结果就是稳定的。提示词也一样精确的指令带来稳定的输出模糊的指令只能抽奖。3. 4类提示词风格拆解与实战示例3.1 结构化指令型提示词第一类是我日常使用频率最高的结构化指令型。它的特点是把提示词写成一份格式清晰的说明书用分段、列表、括号等方式把信息组织好。这种风格适合逻辑明确的场景比如写周报、做总结、写邮件、生成代码注释、处理数据整理。给你看我一个实际在用的完整示例这是拿来做竞品分析摘要的你是一位资深市场分析师请基于以下竞品信息输出一份结构化的竞品分析摘要。 【任务】 - 提取该竞品的主打功能点 - 分析其目标用户群体 - 对比本产品与竞品的差异 【竞品信息】 这里粘贴竞品官网或产品介绍的文字 【本产品信息】 这里粘贴自己产品的简介 【约束】 - 只依据提供的信息不额外编造 - 每条分析不超过50字 - 不确定的信息标注待核实 【输出格式】 | 维度 | 竞品情况 | 与本产品差异 | 建议动作 |这个提示词的特点是每个模块都用明确的标记词分开模型能非常清楚地知道哪段话是对应哪个任务的。实测下来比一段话连着写完的提示词输出质量和稳定性都要高不少。原因是分段降低了模型的解析负担它不需要在一大段话里自己找重点。结构化指令型的核心诀窍是善用标签。你可以在提示词里用【任务】【背景】【约束】这类中文标签也可以用XML风格的task标签。两种我都试过中文标签在中文场景下效果好一些因为模型对中文标签的识别更自然。但要注意一个细节标签要统一不要一会用【任务】一会用任务模型虽然笨但一致性确实能减少输出偏差。3.2 分步拆解型提示词第二类是分步拆解型。它是把一个大任务拆成多个小步骤让AI一步一步来做每一步都基于前一步的结果。这种风格最适合复杂任务比如写长文、写代码、做方案策划、做研究分析。为什么分步有效因为大模型有一个注意力衰减的问题。你让它一口气写一篇5000字的文章它写到后面经常忘记前面说了什么或者越写越偏。但如果按步骤来——先列大纲、再逐段展开、最后统一润色——每一步的上下文都在可控范围内质量就稳得多。我用得最熟的一个分步模板是写长文请按以下步骤协助我撰写一篇关于[主题]的文章 第一步基于以下信息输出文章的大纲包含5-7个二级章节每个章节用一句话说明核心内容。 这里粘贴你的素材、背景、要求 第二步根据大纲先写「引言」部分200字左右要求直接点明主题、说明读者能获得什么价值。 第三步根据大纲依次写出第1、2章节的正文每节300字以上保持段落间逻辑连贯。 第四步继续写第3、4、5章节注意与上一步内容衔接。 第五步检查全文输出一个「修改建议清单」指出逻辑断裂、内容重复、表述不通顺的地方。这个模板的精髓是任务边界控制。每一步只让AI做一件明确的事不让它一次做完。你甚至可以每跑完一步就把结果贴回对话里再发下一步的指令——我管这个叫手动分步虽然麻烦一点但效果最好因为你可以在关键节点人工干预防止跑偏。分步拆解型还有一个变体叫渐进式追问适合搞研究和分析。你可以先让AI给出分析框架然后针对框架里的每一点追问、让它深入解释最后再要求它综合所有讨论输出结论。这种方式比一次性让它输出完整分析报告靠谱得多因为每一步都经过了你的审视和纠偏。3.3 示例驱动型提示词第三类示例驱动型。这个风格的核心理念是少说教多给例子。与其用一堆形容词告诉AI你要什么样的输出不如直接给它一两个你看得上的例子让它照着样子来。模型对模式的模仿能力比对抽象指令的理解能力要强得多——这是我在实际使用中反复验证过的。最常见的应用场景是改写、翻译、风格迁移。比如我想让AI把一段技术文档改写成通俗易懂的公众号风格我不会说请用通俗语言改写而是会给它一个具体的参考请参照下面的风格改写我提供的文章。 参考示例输出风格样例 原文该产品基于微服务架构具备高可用、易扩展、故障隔离等特点。 改写这个产品把一个大系统拆成了一堆小服务每个小服务各干各的活一个挂了不影响其他整体特别抗造。 待改写的文章 粘贴你的文章内容 要求 - 保持专业准确但用口语化方式表达 - 比喻优先选择生活场景避免专业术语 - 段落结构与原文保持一致这里需要注意的是示例驱动并不等于我给了一个例子它就复制这个例子。它学的不是内容是样子——句子的节奏、用词的风格、信息呈现的方式。所以选示例的时候一定要选那些气质符合你需求的内容而不是随便找一段。还有一种用法是正反示例同时给。你想让AI避开某些坑除了告诉它不要做什么更好的办法是给它一个反例然后明确说不要像这个例子这样写。比如你要AI写专业报告你可以说避免以下写法这个问题需要我们高度重视积极应对采取有效措施。模型看到反例会明确避开这个风格区间比单纯说不要口语化管用得多。3.4 对话迭代型提示词第四类是对话迭代型。这类提示词不是一条写完的而是靠多轮对话逐步逼近目标。它的适用场景是最广的——任何你一下子说不清想要什么的任务都适合用对话迭代。我的习惯是先用一句话起手再靠追问收敛。比如我想让AI帮忙设计一个产品slogan我不会一上来就要求给10个高质量的slogan。我会先说请为我们的产品想一个slogan产品是一款帮助打工人记录工作时间的工具目标用户是经常忘记打卡的上班族然后看它给出什么。通常第一轮的结果会比较平庸但没关系这就是迭代的起点。接下来我会根据它的输出不断加限定词第2个太文艺了换成更直白的再加一点幽默感参考XX这个品牌的语气字数控制在10字以内最好押韵把记录时间这个概念换成把时间花在哪里的视角每一轮都在缩小范围模型输出的质量也一轮比一轮高。这个方法特别适合创意类、文案类的任务因为这类任务好的标准是主观的你没法一次性描述清楚什么叫好但你能在看见具体输出后立刻判断这不对或这接近了。对话迭代实际上是在用你自己的审美做筛选器一轮一轮筛出你想要的东西。对话迭代里最重要的一条经验不要对第一轮输出失望也不要立刻换一个新任务重来。AI的输出即使不满意也是有用的——它告诉你这个方向不对。你要做的是把不对翻译成具体的修正指令而不是笼统地说再写一次。笼统的重来一次大概率还是同一个结果。4. 实操从一段糟糕提示词到合格提示词的完整改造4.1 改造前的问题诊断理论讲再多不如来一次真刀真枪的改造演示。我给你看一个我工作中真实遇到的例子是当时一个同事写的提示词任务是让AI帮他写一封客户道歉邮件帮我写一封道歉邮件客户对我们的延迟交付很不满意我们想挽回这个客户请写得诚恳一点。这段提示词的问题用五要素一照就全暴露了没有角色设定没有客户背景没有告知延迟原因没有说清楚诚恳具体是什么样子连邮件的格式和篇幅都没有。这样的提示词模型只能凭道歉邮件这个词去搜刮最常见的一套模板出来的东西大概率是亲爱的客户对于我们的延迟我们深感抱歉。我们非常重视您……这种人人都会写的空话。我拿到之后并没有直接帮他改好而是拉着他拆了一遍。这里我想强调一个观点改提示词的过程本质上是逼自己把需求想清楚的过程。很多人写不好提示词不是不会写而是脑子里压根没想明白自己要什么。提示词只是把这个没想明白暴露出来了而已。4.2 逐段改造的完整过程我们按五要素来逐段补全。先加角色和任务背景你是一位客户关系管理专家擅长处理项目延期后的客户安抚与关系修复。请根据以下背景撰写一封道歉邮件。接着补上下文。同事说客户跟他们合作三年了这次是因为上游供应商出了问题导致延期客户那边也比较着急【背景】我们与客户已合作三年这次是因为上游核心部件供应商发生突发性停产导致交期延误了两周。客户是项目制采购延期直接影响了他自己客户的交付所以情绪比较激动。我方已确认新的交付时间下周一。再加约束和输出格式。我们商量之后明确了语气要专业而不卑微、要给出明确补救措施、不要找借口、结尾要给客户选择的主动权【约束】 - 语气专业、诚恳但不过度卑微 - 承认问题不找借口但简要说明客观原因 - 明确给出补救措施和新交付时间 - 结尾给客户一个选择权例如提供替换方案或补偿方案 【输出格式】 - 邮件正文保持在250字以内 - 主题行一句话概括核心信息 - 分三段表达歉意与原因说明、补救措施与时间承诺、后续保障与选择权改完之后同样一个任务输出的邮件完全变了一个档次客户收到后的反馈也明显好转。这不是因为我写的提示词有什么魔力而是因为我把所有模型需要的信息都喂给了它它的概率分布被精准地引导到了有经验的客户关系专家这个空间里。改造过程里有一个细节我要特别提一下约束不要超过4条。我踩过这个坑——曾经一口气列了8条约束结果模型为了同时满足所有约束输出的内容特别别扭像是在戴着镣铐跳舞。约束要挑最重要的几条砍掉那些有了更好、没有也无妨的。模型不是机器它没有能力做多目标优化约束太多反而互相打架。5. 常见问题与排查技巧实录5.1 输出不稳定、每次结果都不一样这是我被问得最多的问题。首先要明确大模型的生成天然带有随机性同样的提示词多次执行结果略有差异是正常的除非你把温度参数调到最低。但如果你发现差异大到面目全非那通常不是随机性问题而是你的提示词里有歧义区。排查思路是把你的提示词里每一个形容词都找出来看它是否有明确指向。比如写一封有感染力的文案什么叫有感染力模型的理解可能和你完全不一样。解决方案是把它具体化使用设问句开头多用短句每段不超过3行在结尾用一句总结性金句。另一个常见原因是你让模型一次完成的任务太多。同时要求分析市场输出方案写执行计划给风险评估模型很可能为了完成任务而糊弄过去。解决方法是切分成多条提示词或使用上面说的分步拆解型。5.2 模型不听话老是在输出里加戏你明明让它只输出表格它偏要在表格前面加一段说明你让它不要解释它非要先来一段好的我来帮您分析。这个问题的根源在于你没有给模型一个明确的开场指令。模型的默认行为是礼貌性回应你要用指令覆盖掉这个默认行为。我的做法是在提示词开头就写清楚直接输出结果不要附加任何说明、不要重复问题、不要添加礼貌性开场白。另外输出格式这一要素要写得非常具体像严格按以下格式输出不得增减篇章这样带强制语气的表述实测比温和的请按照格式输出有效得多。还有一种加戏的原因是提示词里的上下文信息太多模型在生成时把不相关的内容也编进了输出。这时候你要在约束里加一句只使用以下信息中的内容不要引入外部知识。5.3 提示词调优的快速排查清单我把这两年的排查经验整理成了一个清单每次提示词效果不好就按这个顺序过一遍排查项检查方法常见修复任务是否明确一句话能说清让它做什么吗补全任务描述用动词开头信息是否够它需要知道的背景都给了吗按五要素逐项核对是否一次任务太多拆成3个以上的并列要求了吗拆分成多条提示词或分步骤约束是否冲突两条约束是否可能互相矛盾删掉次要约束只留最关键的示例是否缺失输出风格无法用语言描述清楚吗加一个参考示例或给一个反例输出格式是否具体告诉它用什么结构呈现了吗明确列名、字数、表格列头这个清单看起来简单但真正每次都过一遍的人不多。多数人写提示词效果不好第一反应是换一个模型或者换一个工具其实问题大概率出在自己的提示词上。我这两年最大的体会是提示词工程不是一个技巧活儿而是一个思考活儿它逼着你去把自己的需求、边界、偏好全部想明白。5.4 关于风格搭配的几条私货最后分享几个我实际使用中总结出来的风格搭配心得。结构化指令型最适合做生产一次性交付物的任务比如写邮件、写报告、写代码注释它有最高的稳定性和可控性。分步拆解型适合长内容创作但代价是需要多次交互不适合对时效要求高的场景。示例驱动型适合风格迁移类任务它的前提是你手上有一个好例子——所以平时看到好的文案、好的报告、好的代码我都会收集起来当作示例素材库。对话迭代型最适合探索性的任务比如头脑风暴、起名、设计slogan它的上限很高但方差也大需要你有耐心。实际上用得最顺手的组合是结构化骨架示例驱动。先用五要素把任务的边界定清楚再塞一个参考示例告诉它风格往哪走。这两个加在一起输出质量基本能满足我90%以上的需求。而分步拆解型和对话迭代型则是在这个基础上面对更复杂和更模糊任务时的延伸打法。多说一句关于网上那些提示词泄露的热门话题。我见过很多分享出来的高级提示词拆开看核心也就是我刚才讲的这些原则没什么神秘的地方。真正有价值的不是某一句魔法般的措辞而是你对自己需求的理解程度。提示词写得好的那些人往往是需求想得最清楚的那些人——这个规律在我接触过的所有写提示词高手里还没见过例外。