先说个我自己的真实经历。我第一次用大语言模型时，跟绝大多数人一样，上来就是一句"帮我写个方案"，结果拿回来的内容大而空、全是正确的废话，气得我差点把这工具扔进收藏夹吃灰。后来我才慢慢意识到，问题不在模型，而在我问话的方式。这就是提示词工程（Prompt Engineering）的核心价值——它不是玄学，而是一套把需求准确翻译给模型听的实操方法。
这篇文章我会把过去一年里反复验证、调到能直接复制使用的10个提示词技巧，连同我私藏的一套模板库一起整理出来。内容面向所有希望让 AI 输出更稳定的朋友，无论你是用它写文案、写代码、整理数据还是做学习笔记，这套方法都通用。每个技巧我都会配错误示范和正确示范的对比，保证你看完就能直接上手用。读之前最好带着一个你手头真实的任务来，边看边把你自己的场景套进去，收获会大得多。
1. 提示词工程的核心思路：先理解模型怎么思考
1.1 模型的"脑回路"其实不太一样
想练好提示词，我建议你先在底层把心态从"发命令"切换成"做引导"。
大语言模型本质上是一个文本接龙器。它通过海量语料学到了一套概率分布：给定前面的话，猜测后面最可能跟着什么内容。它没有你的项目背景、不知道你真正的用户是谁、也不会自动站在你的立场上思考。你给它多少信息，它就在多少信息范围内表现；你给得太少，它就会照着语料里最常见的套路来答，这就是我们常说的"大而空"。
打个不严谨但很好用的比方：你让一个刚入职的实习生帮你"写个邮件"，他大概率是懵的。但如果你交代清楚说"下午3点前，发给客户王总，内容要包含延期原因、新的交付时间，态度诚恳别甩锅"，他至少能写出七八分能用的东西。模型也是这个道理，而且它比实习生更需要你把话说完整、说具体。
这里引申出一个关键结论：提示词越结构化，模型的"猜测空间"越小，输出越稳定。所谓提示词工程，本质上就是通过设计提示词的结构和边界，把生成结果的不确定性压到可控范围。
1.2 我把提示词拆成6个基本要素
做了大量实验之后，我习惯把一份高质量提示词拆成6个可填空的要素，你直接拿来自检：
- 角色（Role）：让模型以什么身份思考，比如资深律师、十年后端工程师、小红书博主。
- 任务（Task）：一句话说清要它做什么，比如写邮件、写SQL、做总结。
- 上下文（Context）：背景信息，包含读者是谁、用途是什么、有哪些限制条件。
- 格式（Format）：输出的结构，比如JSON、Markdown表格、分点列表。
- 约束（Constraint）：明确不能做什么、必须满足什么，比如不用AI黑话、所有结论必须有数据支撑。
- 示例（Example）：给1到3个输入输出示例，让模型照着学。
这六个要素不是每次都要填满，但任务和上下文是底线。你可以拿自己现在手头的提示词做个测试：它占了几个要素？我见过大量翻车的提示词，最后往往只剩"任务"一项，其他五个全是空的。那模型就只能自己脑补背景，一旦脑补方向和你真实需求不一致，输出质量立刻崩盘。
1.3 提示词的排列顺序也很重要
容易被忽略的另一点是提示词内容的先后顺序。模型对文本开头的注意力权重更高，所以我建议你按"角色背景 → 任务目标 → 具体约束 → 输出格式 → 示例"的顺序来组织。
这相当于先给模型立一根思考主线，再逐步收紧细节。反过来写，比如先给一堆示例再说明任务，模型会把示例当成主线，输出就容易跑偏。后面所有技巧示例我都遵循这个顺序，你会发现这套顺序几乎能当万能框架用。
2. 十个能立刻上手的提示词技巧
2.1 技巧一：角色锚定法
这个技巧应该算是门槛最低、见效最快的。让模型在回答前先进入一个专业角色，等于给它套上一层"经验滤镜"，它会主动调用与该角色相关的语言风格、知识结构和思维习惯。
错误示范：帮我写一份市场分析。
正确示范：你是一名有8年消费品行业经验的市场分析师，长期为中小品牌做渠道进入策略。现在请以这个身份，帮我分析一款新上市的植物饮料进入一线城市便利店渠道的机会和风险。输出时要包含市场规模、竞争格局、渠道成本、风险点四个角度，每条结论至少配一个理由。
差异在哪里？"市场分析"四个字太宽，模型只能给出通用的分析框架；加了角色和场景后，它输出的内容会具体到渠道费用、货架竞争、试饮促销这类颗粒度，实用价值完全不是一个量级。
但注意，角色设定要贴合任务，别乱造。你让模型扮演"营销大师"去写代码，反而会干扰它的能力发挥。
2.2 技巧二：背景注入法
很多人写提示词的时候喜欢"少即是多"，觉得字越多越乱。其实对于背景信息，恰恰是给得越充分，模型越知道往哪个方向使劲。
错误示范：帮我润色这段文字。然后直接贴一段项目周报原文。
正确示范：这是我的项目周报，需要发给技术Leader和产品团队。本周完成了订单模块的开发，但供应商接口延迟导致整体进度延误两天。请你帮我润色：第一，语气平实专业，不要过度修饰；第二，突出已完成的成果，同时客观说明延期原因；第三，补充下周计划的表述。原文：……
背景信息至少要覆盖四个维度：读者是谁、使用场景是什么、内容重点在哪、语气有什么要求。你把这几件事说清楚，模型就能自动调整措辞，而不是给你一篇放哪里都可以、放哪里都不贴切的万能稿。
2.3 技巧三：步骤拆解法
复杂的复合型任务，模型很容易顾此失彼。比如让它一口气完成"分析用户反馈 → 得出结论 → 写报告"，它常常前面分析得不错，后面报告又变成了套话。
我的做法是把大任务拆成小步骤，让模型按顺序执行。哪怕只在一个提示词里写清楚步骤，都比笼统请求效果好得多。
错误示范：帮我分析这100条用户反馈并提出改进建议。
正确示范：请按照以下步骤处理用户反馈：第一步，把反馈按功能优化、性能问题、体验建议、其他四类进行归类；第二步，统计每类占比，列出出现频次最高的3个问题；第三步，针对每个高频问题给出2条可落地的改进建议；第四步，把以上内容整理成一份简短的摘要，100字以内。
这样做的原理很简单：每当做完一个小步骤，模型相当于重新获得了一段"新的前文"，后续生成的质量会被前文结果牵引着提升。它也像你带实习生做事，交代清楚流程步骤，交付物质量会稳定很多。
2.4 技巧四：示例引导法（Few-shot）
如果让我在所有技巧里选一个"性价比之王"，我会选示例引导法。你让模型模仿一个格式，描述规则说半天，不如直接给它一组输入和输出样例，它基本能秒懂你要什么。
错误示范：把下面这段内容转换成JSON格式，包含标题、正文、标签三个字段。……
正确示范： 下面是一个转换示例： 输入：产品上线公告。全新上线团队协作功能，支持多人实时编辑。 输出：{"title":"产品上线公告","content":"全新上线团队协作功能，支持多人实时编辑。","tags":["产品","协作"]} 请你按照同样的格式，转换下面这段内容：……
示例引路的核心价值在于，它把模糊的规则变成了可模仿的模式。需要提醒的是，示例不要只给一个，最好给两三个，并且覆盖不同情况。如果只给一个极端例子，模型很容易把示例里的具体措辞当成硬规则，反而限制发挥。
2.5 技巧五：输出格式约束
很多场景里，我们要的不只是"内容对"，还要"格式齐"。比如做数据清洗、生成结构化文本、对接程序调用时，输出格式直接决定后续流程能否自动化。
错误示范：帮我列出今天要做的事。
正确示范：请以Markdown表格形式输出我今天的工作计划，包含优先级、任务名称、预计耗时、备注四列，按优先级从高到低排序。
如果模型还是不听格式要求，除了文字描述，你可以把目标格式用代码块给它看一眼，或者结合技巧四给一段格式示例。实际经验是"格式示例 + 文字要求"双管齐下，成功率最高。
这些输出格式的约束其实是在帮模型建立一个"交付标准"，让它知道怎么算完成任务。我在模板库里会再展示几个具体用法。
2.6 技巧六：负向排除法
大多数人写提示词只告诉模型"要什么"，却忘了告诉它"不要什么"。负向排除法就是反过来给模型划边界，能有效过滤掉那些它自带的口癖和套路。
错误示范：写一篇关于时间管理的文章。
正确示范：写一篇关于时间管理的文章。要求：第一，不要使用"首先、其次、最后"这类连接词；第二，不要出现"在当今社会""总而言之"等空话；第三，不要使用"赋能、抓手、闭环"这类烂大街词汇；第四，如果找不到真实案例，不要编造，直接说明是示意。
尤其在做内容创作时，负向排除法非常管用。模型训练语料里有大量"八股文"，你不说不要，它就默认可以。把这些会产生AI味的口头禅明确排除掉，输出会立刻有真人感。另外在事实性场景里，加上一句"如果不确定可以说不知道"，能明显减少它一本正经地胡说八道。
2.7 技巧七：思维链
当任务需要推理、计算或复杂判断时，直接问结果很容易出错。这时候要引导模型先把推理过程写出来，再给结论，准确率会明显上升。
错误示范：公司上个月营收80万，成本65万，其中人力成本占70%。如果下个月人力成本下降10%，其他成本不变，利润是多少？
正确示范：公司上个月营收80万，成本65万，人力成本占70%。如果下个月人力成本下降10%，其他成本不变，请先梳理已知条件，再分步骤计算新的成本和利润，最后给出答案。
思维链之所以有效，是因为模型在"逐步推理"的过程中，每一步都在基于前面的计算继续生成，相当于把一个大难题切成了多个小步骤，每一步都更容易做对。对于涉及多步骤数学题、方案评估、优缺点对比、逻辑推断这类任务，都建议在提示词里加上"请逐步推理，再给出结论"。
倒是注意别所有任务都用这招。像"帮我写个标题"这种简单请求，强行要求分步思考只会得到啰嗦的回答。
2.8 技巧八：自我校验指令
把模型生成的初稿再交给它自己审视一遍，往往能发现新的问题。这个技巧本质上是给模型增加一次"从读者角度反过来看"的机会。
示例：完成上面这封邮件后，请你再检查一遍，从收件人的角度看看有没有语气不合适、信息表达不清晰的地方，并逐条列出修改建议。
类似场景还包括：翻译完成后要求逐句检查是否有漏译或错译；写完一段代码后自查边界条件有没有处理到位；写完方案后反向挑三个潜在漏洞。这种"二次审视"能明显提高终稿质量，代价只是多花一次生成时间，但远比你自己逐字改要快。
有一点需要提醒：自我校验不要搞成让模型自己夸自己。你要求它"给你挑毛病"而不是"给自己打分"，否则它只会温柔地确认一切没问题。
2.9 技巧九：参数配合调节
提示词不是唯一的控制手段，参数设置同样重要，尤其是在程序化调用API时。最常用的两个参数是temperature和max_tokens。
- temperature：控制回答的随机性。数值越低（如0到0.3），输出越固定、保守，适合代码生成、翻译、数据提取；数值越高（如0.7到1.0），输出越发散、有创意，适合头脑风暴、文案创作。
- max_tokens：限制输出长度。如果你只需要一句总结，就别给模型开放整篇作文的额度。
我个人的习惯是先写好提示词，再根据任务类型配置参数。提示词负责"方向"，参数负责"风格"，两者配合才能稳定复现好结果。很多人在同一个提示词下得到时好时坏的输出，可能就是参数的锅，而不是提示词的问题。
需要说明，不同平台参数名可能有差异，但原理大同小异，多试几组数值，你就能摸清自家模型的脾气。
2.10 技巧十：迭代式追问与修正
最后一个技巧最简单，也最容易被忽视——别指望一次就能拿到完美答案。大语言模型更像一个手很快但思路需要反复沟通的同事，不是你肚子里的蛔虫。
我的常规做法是分轮推进：第一轮先让它输出大纲，确认方向对路；第二轮让它把其中一部分展开，补充细节和案例；第三轮再调整语气、精炼文字。每次修正都基于上一轮的具体输出，而不是推翻重来。
常用句式包括："把第三部分展开一下，增加两个具体案例"、"把开头改得更有画面感一些"、"第二段和第四段观点重复，合并并删掉冗余表述"。这种多轮打磨的产出，一般会比把全部要求塞进一版提示词要细得多，也稳定得多。
3. 模板库：直接抄走，改改就能用
3.1 内容创作类模板
下面这几个模板我都按前面提到的"角色 → 任务 → 约束 → 格式"结构写好，核心信息用占位符标注，你替换成自己的内容就能用。
公众号长文模板：
角色：你是一名公众号10万+作者，文风干练、有洞察、口语化。 任务：根据我提供的话题写一篇公众号文章。 话题：XXXXXX 要求： 1. 开头用一段具体场景引入，前200字要有画面感，不要学术腔； 2. 正文分3到5个小标题，每部分至少包含一个案例或数据； 3. 结尾给出一个可立刻执行的行动建议； 4. 全文1200字左右； 5. 不要出现"由此可见""总而言之"等空话。 输出格式：Markdown格式，各级标题用##，正文自然分段。短视频口播脚本模板：
角色：你是短视频编导，擅长制作60秒口播类视频。 任务：围绕以下主题写一条口播脚本。 主题：XXXXXX 要求： 1. 第一句必须在3秒内抛出悬念或痛点； 2. 中间分三个信息点展开，每个信息点不超过60字； 3. 结尾用一句金句收尾，并引导评论； 4. 口语化，避免长句和书面语； 5. 全文约250字。小红书种草文案模板：
角色：你是一位生活方式类小红书博主，语气亲切真实，不过度夸张。 任务：为下列产品/体验写一篇种草笔记。 产品/体验：XXXXXX 要求： 1. 标题控制在20字以内，用场景或痛点吸引点击； 2. 正文以"本人亲测"为切入点，包含2个真实使用细节； 3. 突出1个亮点，不要面面俱到； 4. 结尾给一句实用提示； 5. 不用"YYDS""绝绝子"等过度网络化的词。3.2 编程开发类模板
写代码相关任务，除了提示词要清晰，我建议始终带上输入、输出和异常处理的说明。
代码生成模板：
角色：你是一名有10年后端开发经验的工程师。 任务：使用Python实现一个函数，功能是：XXXXXX 输入：函数接收XX类型参数； 输出：返回XX结果； 约束： 1. 代码要处理传入参数为None时的边界情况； 2. 核心逻辑必须写注释； 3. 不依赖第三方库； 4. 最后用2个示例演示调用方式。代码审查模板：
角色：你是资深代码审查者，关注可维护性、性能和安全性。 任务：审查下面这段代码。 代码：XXXXXX 输出格式： 1. 问题清单（按严重程度排序：严重/一般/建议） 2. 每个问题附上代码片段的说明和修改建议 3. 如果无明显问题，请明确说"未发现明显问题"Bug排查模板：
角色：你是熟悉分布式系统排障的工程师。 任务：帮我分析以下报错信息。 报错信息：XXXXXX 已知环境：XXXXXX 请按以下顺序排查： 第一步，解释这个报错可能的底层原因； 第二步，列出3个最可能的触发点，按概率排序； 第三步，针对每个触发点给出验证方法和修复思路。3.3 数据分析类模板
日常我用AI处理数据，大多是写SQL、解读报表和拼Excel公式，这三个模板足够覆盖绝大多数场景。
SQL编写模板：
角色：你是数据分析师，熟悉MySQL的窗口函数和优化技巧。 任务：根据业务描述写出SQL查询。 业务描述：XXXXXX 条件约束： 1. 只使用标准SQL语法； 2. 若存在性能隐患，在注释中标注并给出优化版； 3. 输出结果字段需包含XXXXXX； 4. 最后说明这条查询的逻辑，方便我核对。数据解读模板：
角色：你是经营分析顾问，擅长从数据中提炼业务动作。 任务：结合下面的背景和数据，给出解读。 业务背景：XXXXXX 数据指标：XXXXXX 输出要求： 1. 先指出1到2个最值得关注的变化趋势； 2. 列出可能影响这些变化的3个业务因素； 3. 给出2条可落地的改进建议，不要泛泛而谈； 4. 如果数据不足，明确列出你还需要的补充信息。Excel公式模板：
角色：你是Excel高级用户，熟练使用现代动态数组函数。 任务：帮我实现以下需求：XXXXXX 要求： 1. 给出可以复制粘贴的完整公式； 2. 解释公式每一步的作用； 3. 提供一种普通函数写法和一种新函数写法做对比。3.4 学习辅导类模板
学习场景最怕模型直接给答案。下面的模板我用了费曼技巧的思路，能逼模型把概念讲得足够通俗。
概念解释模板：
角色：你是一位擅长用生活化类比讲解复杂概念的老师。 任务：解释以下概念，目标读者是从未接触过该领域的高中生。 概念：XXXXXX 要求： 1. 先用一句话给出核心定义； 2. 用一个生活化类比展开说明； 3. 给出一个运用该概念的实际例子； 4. 最后列出学习者最容易误解的3个点。学习计划模板：
角色：你是学习规划顾问，擅长制定可执行计划。 任务：为下列目标制定一份4周学习计划。 目标：XXXXXX 每日可投入时间：XX小时 已有基础：XXXXXX 要求： 1. 以周为单位拆解目标，每周有明确产出物； 2. 每周安排一次自测，并说明评判标准； 3. 如果某天任务没完成，给出补课方案。错题分析模板：
角色：你是教学经验丰富的一对一辅导老师。 任务：帮我分析下面这道错题。 题目：XXXXXX 我的错误答案：XXXXXX 正确答案：XXXXXX 要求： 1. 指出我错在哪个具体步骤； 2. 分析可能的原因：是概念不清、计算失误还是审题偏差； 3. 给出2道同类变式题，先让我思考，再直接给出答案和解析。4. 常见问题与排查技巧实录
我把自己实际使用时最常翻车的几类问题整理了一下，每个都附上了排查思路。
4.1 提示词已经写得很详细，输出还是跑偏
如果提示词已经写得足够长，结果还是跑偏，大概率不是"字不够多"的问题，而是信息之间互相矛盾，或者约束太密反而干扰了主线。我遇到过一个案例：既要求"语气专业严谨"，又要求"增加幽默感"，结果模型两头都顾不上，输出变得不伦不类。
排查方法很简单：把约束一条一条删掉，做减法，看删到哪一条之后输出明显变好，那条往往就是干扰项。角色和任务不匹配也会出现类似问题，比如让"微信公众号情感写手"去写技术方案，跑偏几乎是必然的。
4.2 模型回答泛泛空洞，没有干货
遇到这种情况，多数是因为你的请求里只有抽象指令，没有颗粒度约束。比如你问"如何提升团队执行力"，它大概率会给你几条正确但没用的大道理。
解决思路是在提示词里加入"颗粒度杀手"：请给出5个可操作的具体动作、每个动作附一个执行中的注意事项、举一个你见过的实际场景例子。这些要求一出，模型就不得不从云端落回地面。如果你需要数据支撑，还可以要求"所有定量结论都注明估算口径"，减少编造。
4.3 输出格式不稳定，总是带多余内容
格式问题是最烦的，明明说了"只要结果"，它还是带一堆解释性文字。这时候光靠嘴说往往不行，最好的办法是给一个完整的格式示例，并明确要求"严格按照以下示例的结构输出，不要额外输出解释"。
如果你是写程序调用接口，更稳的方案是让模型只输出JSON，然后你在代码里做异常兜底和重试。另外，max_tokens设置得太宽容易让模型"顺手写嗨"，适当收紧长度限制也有助于保持格式干净。
4.4 套模板失灵，换个场景就不行
模板不是万能药，它就是一套骨架，血肉还得根据场景填。遇到套模板效果不佳，我一般会回到6要素审视：角色是否需要换一个、约束里有没有和当前场景冲突的地方、示例是否该更新成贴合新场景的版本。
比如内容创作模板里写了"不要用网络热词"，放到小红书文案里就可能显得格格不入。模板的正确用法是当作起点，不是终点，每次使用前都花30秒做一次适配，效果才算稳定。
我个人的体会是，提示词工程练到最后，真正提升的其实是"把模糊想法变成清晰需求"的能力。你越能说清背景、目标、边界和交付标准，不仅模型输出更稳，你在跟同事协作、给外包提需求时也会顺手很多。最后再分享一个小技巧：每次用到一个表现惊艳的提示词，我都直接存进自己的模板库，加上一句备注说明它解决过什么问题。用不了几个礼拜，你手里就会攒下一套越用越顺手的个人工具集。
