Prompt工程实战：六层模板让AI准确理解你的指令

1. 先聊聊为什么你和 AI 总是“话不投机半句多”

1.1 模型背后的注意力机制，决定了它天生需要“信息增量”

我用过不少 AI 工具，也帮团队里很多人调过 Prompt。大部分人对 AI 的第一句抱怨出奇一致：“它怎么就是听不懂我说话？”

可你要是把聊天记录往回翻，通常会发现一个尴尬的事实——你给它的信息，本来就不够它“听懂”。这不是在为模型开脱，而是大语言模型的工作方式决定的。你可以把模型想象成一个极其聪明、但完全没有生活常识的实习生：你交代任务时如果含糊其辞，他当然会给你交一份含糊其辞的东西。更麻烦的是，这个实习生还不能反问，你给多少信息，他就基于多少信息发挥。

大语言模型的核心机制是注意力机制。模型在生成每一个 token（你可以理解为“一个词片”）时，都会回头看一遍上下文里所有的 token，计算它们跟当前生成内容的相关性，然后给每个 token 分配不同的权重。你的 Prompt 越长、越清晰、越没有歧义，模型能参考的有效信息就越多，输出自然越稳定。反过来，如果你的 Prompt 只有一句“帮我写个好点的方案”，模型就只能在你那三五个词里反复“寻找注意”，最后写出来的东西，基本就是它训练数据里最常见的那类套话。

这也是为什么同一个模型，有人用起来像贴身助理，有人用起来像人工智障。区别往往不在模型，而在输入质量。

1.2 模糊输入 = 随机输出：指令落差是怎么形成的

我还观察到一个高频问题：很多人把“期望”当“指令”用。脑子里明明有一幅完整的画面——方案给谁看、什么风格、多长篇幅、不能太虚——但到了对话框里，全被压缩成了一句“帮我做个方案”。模型拿到这句话，不知道受众是谁，不知道你厌恶什么风格，不知道你想要的“方案”是一页纸的要点还是五千字的报告。于是它只能从自己的概率分布里挑一个“最像方案”的答案给你。

这个现象，我习惯叫它指令落差。指令落差越大，你们的沟通成本就越高。

要填平这个落差，靠的不是某一个“神奇句式”，而是一套稳定的模板。模板存在的意义，不是让你格式化地堆砌词句，而是强迫你把模型需要知道的关键信息说清楚。就像做菜一样，不是菜谱里必须写“盐少许”才对，而是你要保证每个关键变量都有明确的交代。

所以我把这套方法叫作“Prompt 焚诀”——焚，是把你脑子里那些零散、模糊、没说出口的需求全部烧掉重炼；诀，是一套可复用的结构，让你每次和 AI 对话前，都能快速把需求翻译成模型听得懂的指令。

2. 焚诀总纲：一个能装下所有沟通变量的六层模板

2.1 模板概览：角色、背景、任务、要求、示例、输出的完整框架

焚诀的核心，是一套六层结构的通用 Prompt 模板。无论你是让 AI 写代码、写文案、分析数据还是做翻译，都可以往这个框架里填内容。它的完整形态长这样：

【角色】 你现在是……（身份、专业领域、经验层级） 【背景】 我正在做……（当前处境） 这个任务的原始背景是……（上下文信息） 【任务】 请帮我做一件具体的事……（动词开头，一句话说清） 【要求】 1. 内容需要满足…… 2. 不要出现…… 3. 语气风格应该是…… 【示例】 比如这样可以……（正面示范） 如果出现这样的情况，请这样处理……（边界说明） 【输出格式】 请按照以下格式输出……

你可能觉得这“不就是一个模板吗，也没什么特别的”。对，单独看每一层都不特别，把它们组合在一起、并且每次都用，才特别。大多数人不是不知道怎么问，而是懒得每次都想清楚这六个问题。

2.2 为什么是六层，而不是“想到什么写什么”

我之所以坚持用固定六层，是因为这六层分别对应模型理解的六个关键问题：你是谁，我遇到了什么，我要你做什么，我有什么要求，我给的参照是什么，结果要怎么交付。

这六个问题缺一不可。没有角色层，模型的回答就缺乏稳定的视角；没有背景层，模型就只能从零推断你的处境；没有任务层，一切信息都是散的；没有要求层，输出品质只能靠运气；没有示例层，模型对“好坏标准”没有感知；没有输出格式层，你拿到手的东西还得二次加工。

我在团队里做过一个实验：让两个水平相近的人分别用“自由对话”和“六层模板”向同一个模型提同一个需求。结果很有意思——自由对话那组平均要来回补齐信息 5 到 8 轮，才拿到基本可用的结果；用模板那组，第一次输出就已经满足七八成需求。这个差距的本质不是模型变了，而是信息到位了。

3. 逐层拆解焚诀：每一层写什么、怎么写、为什么这么写

3.1 角色层：一个明确人设，胜过十句“请帮我好好回答”

角色层是焚诀的第一层，也是很多人最先听说、但用得最浮于表面的一层。你肯定见过“你现在是一个资深文案专家”这种开头，然后呢？没有然后了。角色给得不具体，跟没给没有本质区别。

有效的角色层，至少要包含三个信息：身份、专业背景、你希望它站的角度。

举个例子。如果你想请 AI 帮你评审一份产品方案，单说“你是一位资深产品经理”是不够的。更好的写法是：

你是一位有 10 年经验的 B 端产品经理，主导过多个 SaaS 产品的从 0 到 1，擅长从用户价值、商业可行性和技术成本三个维度评估方案，评审风格犀利但务实，直接指出问题，不要恭维。

这个角色为什么有效？因为它不光给了身份，还给了模型“思考的坐标系”——用户价值、商业可行性、技术成本，以及表达风格——犀利、务实、不恭维。模型在给出每一个判断时，都会不自觉地往这三个维度靠。

你可以把角色层理解成给模型安装了一个“视角滤镜”。同一份数据，财务出身的人和程序员出身的人看，关注点完全不同。你想要哪个视角的答案，就把哪个视角写清楚。

3.2 背景层：不是铺垫越多越好，信息密度才是关键

背景层是最容易走极端的一层。新手要么什么都不写，要么洋洋洒洒写上千字，把无关紧要的过程全部倒给模型。这两种极端，效果都不好。

大语言模型虽然号称支持长上下文，但注意力资源依然是有限的。背景层里塞进太多无关信息，模型被迫在大量噪音里寻找关键信号，反而会稀释真正重要的信息。所以背景层的写法，讲究信息密度优先——只写和任务直接相关的条件，其他全部省略。

我常用的背景层写法是“当前处境 + 原始目标 + 约束条件”三件套：

我正在准备一封给客户的英文邮件，客户连续两次推迟了合同签署时间，原因是内部流程审批未完成。我的目标是推进签署，同时不显得给对方压力。距离月底只有 5 个工作日。

你看，每一句话都在传递有效信息：处境（客户推迟）、原因（内部审批）、目标（推进签署且不施压）、时间约束（5个工作日）。没有一句废话。模型拿到这些信息，才能生成“替对方考虑、却又暗暗推动”的合适措辞。

如果背景信息比较多，我建议你在背景层里用短句分行列出，而不是写成一段连续的文字。短句的本质是降低模型的解析成本，信息结构越清晰，输出越稳定。

3.3 任务层：用动词把“目的”翻译成“动作”

背景层说完，就到了最关键的任务层。这一层的核心就一句话：告诉模型，你要它“做什么动作”。

很多人在这里犯错，会把“目的”当成“任务”来写。比如背景讲完，任务写的是“我想让客户尽快签署合同”——这是一个目的，而不是一个动作。模型拿到这句话，不知道你是要它写邮件、列行动清单还是制定话术。

正确的方式，是用明确的动词来定义动作。动词不同，模型的输出逻辑完全不同：

一个容易忽略的细节：任务层最好只写一个主任务。如果你想一次让模型“写一篇文章，再做一个 SWOT 分析，最后给出行动建议”，哪怕模板写得再好，模型也会因为任务过于复杂而顾此失彼。这不是模型能力不行，而是任务之间的优先级不清楚。我的经验是，一个 Prompt 只锁定一个核心动作，如果需要多步任务，拆成多个轮次的对话逐步推进。

3.4 要求层：把模糊的“要好一点”变成可执行的约束

要求层是整个模板里最容易被嫌弃、却又最能拉开质量差距的一层。很多人觉得“要求”无非就是“请写得好一点”“请认真一些”，实际上，真正起作用的要求，都是那些能被执行、被检查的具体约束。

我给你一个判断标准：如果你提出一个要求之后，自己都想不出怎么验证模型做到了没有，那这个要求对模型就不可执行。

举个例子，如果要求层里写“内容要专业”，模型无法判断什么叫“专业”；但如果写“避免使用第一人称主观表达”“所有结论必须附带数据来源”“专业术语首次出现时给出解释”，模型在生成时就有明确的路径可循，因为这些都是可执行的。

我在要求层通常会组合四类约束：

• 正向约束：内容应该具有的特征，如“结构完整、有观点、有案例支撑”
• 反向约束：绝对不能出现的元素，如“不要用夸张营销语气”“不要写空话套话”
• 风格约束：语气、口吻、面向的读者，如“面向非技术背景的高管，用通俗语言解释”
• 边界约束：内容范围或深度控制，如“控制在 800 字以内”“只讨论市场层面，不涉及执行细节”

反向约束尤其有意思。我试过很多次，当你明确告诉模型“不要写什么”之后，它确实会显著减少这类内容的出现。因为模型在生成时会参考你的指令权重，反向约束同样会被它纳入概率分布的计算。

3.5 示例层：一个“标准答案”，顶过一堆形容词

如果说要求层是给模型画条条框框，那示例层就是直接给模型一个“标准答案”。这是少样本学习的思想在 Prompt 工程里的应用——你不告诉模型抽象的规则是什么，而是直接给它一两个“对的答案”，让它顺着这个模式走。

示例层的威力，我是在一次文案改写任务里彻底体会到的。当时我想让模型把一段产品介绍改得更俏皮一些。要求层里我写了“语气轻松、幽默风趣、打破常规表达”，结果模型输出了一堆生硬的双关梗，读起来像春晚小品台词。后来我加了一个示例，随手翻了翻便签里我自己写的一句：

【示例】 原文：这款耳机拥有降噪功能。 改写：当世界嗡嗡嗡的时候，你把耳机戴上，世界就安静了。不是魔法，是降噪。

同一个模型、同一个需求，加了这一个示例之后，输出的文案立刻有了“人味”。它学会了松弛，是因为它看到了“松弛长什么样”。

示例不需要多，一两个就够，但质量要高，要跟你期望的风格高度一致。我更倾向于在示例里顺手放一个“负面示例”——告诉模型“不要写成这样”。两者交叉，模型的边界感会强得多。

3.6 输出格式层：让结果拿来就能用

最后这一层，很多人会忽略，但它直接决定了你能不能“拿来就用”。输出格式层就是明确地告诉模型：结果长什么样、按什么顺序排版、用什么结构交付。

如果你不写，模型往往会输出一大段连贯文字，看起来很完整，但你要用的时候，必须自己提取、整理、重组。而一旦你在 Prompt 里写清楚了输出格式，模型就会主动帮你把结果整理成可直接使用的形态。

比如你让它帮你做一份市场分析，输出格式可以这样写：

【输出格式】 请按以下结构输出： 一、核心结论（3 条以内，每条不超过 50 字） 二、关键数据（用表格呈现，列名：指标名、数值、来源） 三、风险点（每点附一句应对建议） 四、下一步行动（标注优先级：高/中/低）

实际跑下来你会发现，指定输出格式还有一个额外的好处——模型为了满足格式要求，会迫使自己把内容组织得更紧凑、更有条理。有时候格式本身，就是一种要求。

4. 实战对比：同一需求，焚诀前和焚诀后的差距

4.1 案例一：生成一份项目周报

先看一个最常见的办公场景：让 AI 生成周报。

普通问法是这样：

帮我写一份项目周报。

模型的输出大概率是“本周项目进展顺利，各项任务按计划推进，团队协作良好……”这种通篇正确的废话。它不是不想帮你，而是你给它的信息量，只够支撑它输出这种空话。

同样的需求，用焚诀填充之后是这样：

【角色】 你是一名有 5 年经验的互联网项目助理，习惯用简洁、量化的语言写周报，擅长把零散的工作记录整理成结构清晰的汇报文档。 【背景】 我是一名后端开发，本周做了三件事：用户登录模块的接口联调已完成 80%；修复了订单超时未支付的状态更新 bug；周四花了半天时间配合前端排查了一个跨域问题。下周计划开始对接支付网关，需要第三方提供沙箱环境。我的领导重视数据结果，不爱看过程描述。 【任务】 把上述工作记录整理成一份 300 字以内的项目周报。 【要求】 - 每件事用一到两句话说清，突出结果和进度 - 用“已完成 80%”这类量化表达，不要写“基本完成” - 遇到跨部门协作时，主动点出需要对方配合的事项 - 语气平实，不用“积极”“努力”这类形容词 【输出格式】 本周进展： 1. [事项] - [量化进度/结果] 下周计划： 1. [事项] - [需要的支持] 风险与协作事项： - [事项] - [说明]

这个 Prompt 跑出来的周报，基本上可以直接复制粘贴发给领导，最多改两个标点。差距的本质，不是模板让模型变聪明了，而是模板让你把“领导想知道什么”提前替模型想清楚了。

提到周报这类场景，多说一句：如果你是管理者，想让 AI 帮团队汇总周报，可以在角色层明确写“你是一名技术管理者，关注风险、进度和资源诉求”，背景层里附上团队成员各自提交的原始记录，效果会远好于简单地说“帮我把这些周报汇总一下”。

4.2 案例二：改写一段产品文案

再看一个文案改写的场景。这个案例更能体现示例层的价值。

普通问法：

帮我改一下这段话，让它更有吸引力。

焚诀写法：

【角色】 你是一位资深消费品牌文案，擅长用短句和画面感文字写出让人一眼记住的产品卖点。 【背景】 这是我们的智能台灯产品介绍原文。目标用户是 25-35 岁的独居年轻人，他们买台灯不只是为了照明，更是为了在出租屋里营造一个舒服的小角落。我们要投放在小红书和朋友圈，要求文案像朋友随口推荐，不像官方广告。 【任务】 将原文改写为 3 个不同风格的版本，每个版本不超过 60 字。 【要求】 - 不用“品质”“匠心”“精选”这类词 - 要写出场景感，让人能联想到自己用它的画面 - 不夸大功能，不写“行业领先”“黑科技”这类空话 【示例】 原文：这款台灯有五档色温调节。 改写示例：晚上写稿的时候，把灯光调成暖黄色，感觉整个房间都安静下来了。五档色温，总有一档懂你。 【输出格式】 版本一（温馨陪伴风）： 版本二（极简利落风）： 版本三（场景感故事风）：

有意思的是，同一个模型，在“普通问法”下输出的文案很容易飙出“焕新你的生活”“点亮每个夜晚”这种话了等于没说的话。而在焚诀加持下，它会老老实实按“场景 + 好处”的节奏写，因为你给的示例，已经帮它锁定了这个套路。

4.3 从对比中看到的核心教训

这两个案例放在一起，能提炼出三个常见教训：

第一，信息供给量和输出质量几乎成正比。你去责怪 AI“怎么连这个都不知道”之前，先自查一下自己有没有把关键信息说全。这个习惯一旦建立，你和 AI 之间的第一次沟通成功率会大幅提升。

第二，约束不是束缚，而是指南针。很多人不敢写要求，怕限制了模型的发挥。实际情况恰恰相反，具体的约束能让模型在正确的方向上发挥。没有约束的自由发挥，模型只能往“统计平均”方向滑落。

第三，一次跑出来的结果，只是起点不是终点。即使用了焚诀，第一版输出可能仍有一些细节不合预期。这时候不要急着推翻重来，而是在原有 Prompt 基础上，把不满足预期的那一点变成新的补充要求或新的反例。迭代三次以后，你往往会得到一个相当不错的版本。

5. 焚诀失效时：模型不听话，到底怎么排查

5.1 遇到“invalid prompt”类报错：先检查内容，别骂模型

聊完了正向流程，再聊一个大家大概率会遇到的问题——报错。国内外的很多大模型服务，在接收 Prompt 时都会做一轮内容安全与策略校验，如果输入触发了校验规则，平台会拒绝处理，并给出一段类似下面这样的提示：

invalid prompt: your prompt was flagged as potentially violating our usage policy. please try again with a different prompt.

翻译过来就是：你的提示词被判定为可能违反了使用政策，请换一个提示词再试。

我第一次碰到这个报错的时候，也是一头雾水，觉得“我也没说啥啊？”后来排查的次数多了，才摸清一个规律：这类报错通常不是因为你用了哪个特定词，而是多个因素叠加在一起，触发了模型的安全机制。比如你在 Prompt 里同时涉及了某些高危话题词、诱导性指令、绕过限制的请求，哪怕你本意只是想做一个技术讨论，校验系统也会因为语义风险而一刀切拦截。

遇到这个情况，我的处理步骤是：

1. 不要反复用几乎相同的词句重试，那不是解决问题的方向，还可能让你的操作被系统进一步限制。
2. 从头通读自己的 Prompt，把可能引起歧义的内容替换成中性、客观、无诱导性的说法。
3. 删除与核心任务无关的修饰性内容，尤其是带有情绪或极端表态的词句。
4. 拆分任务，把复杂 Prompt 拆成多轮简单对话，逐次确认每一轮都正常后再继续。
5. 如果仍然报错，果断放弃这个方向的任务，换个角度实现你的目标。

归根结底，这类机制的目的是保证 AI 服务的使用安全。作为使用者，我们应该尊重模型平台的规则，在合规范围内使用工具，而不是研究怎么“绕过”限制。真正有用的思路，是调整你的表达方式，让它既保留任务的核心目标，又不触碰安全边界。

5.2 输出跑偏：从换措辞到补示例的排查路线

比报错更常见的问题是：模型没有报错，但输出完全偏离了预期。这种“跑偏”往往隐藏着某个信息缺口。我建议按以下顺序排查。

先检查任务层是不是被目的动词带歪了。比如你写“分析一下这几个方案怎么选”，模型可能给你一份泛泛而谈的市场分析，因为“分析”这个动作太宽泛。把它改成“请从成本、周期、风险三个维度，对以下方案进行对比，并给出推荐排序和一个理由”，方向立刻清楚。

再检查有没有足够的限制条件。如果你发现模型的输出里有大量你不想要的内容，大概率是要求层写得太少。我遇到过一个朋友，让 AI 写活动方案，结果模型洋洋洒洒写了 3000 字，连预算明细和应急预案都有。他的第一反应是“AI 真厉害”，第二反应是“可我只想要一个 300 字的桌面推演提纲”。所以后来他的模板里永远有一句“控制在 300 字以内，只列一级和二级要点”。

最后再想想是不是示例还不够。如果模型风格、结构都对了，但关键信息抓错了，那就需要你在示例层里给出更贴近你需求的标准答案。一个精准的示例，比加十条文字要求都有效。

5.3 复杂任务不要一次问完：焚诀的“多轮拆解”用法

焚诀模板并不是只适合一句话任务。遇到复杂项目，我更推荐的做法是拆成多轮对话，每轮用一个轻盈的焚诀子模板。

举个例子，你想让 AI 帮你搭建一个个人知识库的选题策划方案。如果你一次性把这个大任务抛给它，得到的往往是一份通篇正确的“大而全”框架，内在逻辑松散，真正能落地的建议没有几条。

我的做法是分三步，每一轮只聚焦一个环节。

第一轮，角色是“知识管理领域的深度研究者”，任务是“帮我梳理出知识库选题策划最关键的 5 个决策点”。第二轮，基于第一轮的结果，继续追问“针对每个决策点，给出 3 种候选策略以及各自的适用场景”。第三轮，再聚焦到“我当前只做个人使用、单次阅读时长不超过 15 分钟，请帮我从中圈出最合适的选项组合”。

每一轮 Prompt 都只问一个相对简单的问题，模型给出的答案质量就高，你再把它作为下一轮的背景信息喂回去。这样一轮一轮“滚”出来的结论，远比一次问完的全面、扎实、可落地。这种用法，本质上是把你自己的思考过程投射给模型，让它陪着你一步步走，而不是一步登天。

6. 焚诀的边界：有些问题，真不是提示词能解决的

6.1 提示词能弥补的，和不能弥补的

聊了这么多，还是得泼一点冷水：焚诀再有效，也不是万能钥匙。

提示词能弥补的，是信息结构的问题。它能让模型更准确地理解你的意图、更稳定地输出内容、更贴近你的风格偏好。这些都是沟通层面的优化，属于“让模型把你想要的东西说好”。

但提示词不能弥补的，是模型自身能力的天花板。如果模型本身不具备某一领域的深度推理能力，或者训练数据里缺乏相应的专业知识，你再怎么优化模板，也只能得到一份“看起来专业、实际上空泛”的内容。这种情况，我需要如实告诉你：你能做的是放低预期，把它当成灵感参考或初稿生成器，然后自己投入精力来做深度打磨。

另外还要提醒一点：提示词只能影响模型“怎么说”，不能保证模型说的一定是“事实”。大模型的本质是概率化地预测下一个 token，它会为了生成流畅的文本而编造看似合理的内容，这在行业里叫幻觉现象。你用得越熟练，越要保持警惕——凡是涉及数据、引用、合同条款的内容，一定要自己核验。焚诀可以帮你把内容产出的质量和效率提上去，但最后一道闸门永远在你自己手里。

6.2 工具与模型的选择，有时候比模板更重要

继续说边界话题。很多朋友找到我说：“我用了你的模板，怎么还是觉得效果一般？”我通常会反问一句：你用的是哪个模型？

答案往往是某个轻量级的、参数规模较小或面向通用闲聊的小模型。这种情况下，模板能起的作用非常有限——它不是不听话，而是“能力半径”本身就短。就像你给一个刚入行的新人一本精妙的工作手册，他能照做，但遇到手册外的问题就抓瞎。

我的建议是：先判断任务的复杂度，再决定用哪一档的模型。简单的文案改写、信息整理、格式转换，用轻便的小模型就足够了，速度快、成本低。真正需要复杂推理、多步规划、深度分析的任务，就要选择推理能力更强的大模型。工具选对了，模板才能真正发挥价值。

另外，现在很多平台支持自定义系统提示词或项目级说明文档。如果你有一个长期重复使用的场景，比如“你每周都要生成周报”，建议把焚诀的固定结构沉淀成系统级指令，这样每次新建对话都不需要重新粘贴，模型也会自动带上你的全套设定。这个小习惯，能帮你省下大量的重复劳动。

我自己现在管理提示词的方式，是建了一个专门的目录，按场景存放已经调好的模板，每个文件里都留着当时调优的备注。遇到类似需求时，先翻出旧模板，改一改背景和任务就可以直接用。这个习惯帮我避免了很多“同一个坑踩两次”的情况。尤其是当模型版本升级或者换了服务商之后，旧模板可能需要微调。一份带备注的提示词档案，就是你最好的调优依据。

最后再分享一个我个人的体会：模板只是工具，真正让 Prompt 起作用的是你把它当成一种思考习惯。每次和 AI 对话之前，用几秒钟想一想：我到底想要什么结果？模型需要知道哪些信息才能做到？我在意什么、不要什么？当你习惯了这种“先想清楚再开口”的节奏，你会发现不只是和 AI 的沟通变顺了，和人沟通时也更少出现“双方各说各话”的场面。这大概就是模板之外，顺便赚到的一笔奖励。