收藏84条提示词不如背熟TASK框架：目标、背景、步骤、校验

整理收藏夹那天下班前，我数了一下：光“提示词”分类就有84条收藏，什么“一学就会的写作咒语”“万能角色扮演Prompt”“让AI说出人话的5个高频句式”，每条底下都是几千赞。我当时收藏的理由都一样：怕以后要用的时候写不出来。可真到用的时候呢？我打开对话框，面对一个空白输入框，前前后后打了三版还是觉得不对，最后又回去翻收藏夹，翻完更懵了。

问题出在哪？后来我想明白了：我把提示词当成了咒语，可它实际上是任务说明书。咒语是背下来念就行，说明书必须根据你自己的项目现写。你收藏的那84条，是别人项目的说明书：里面绑定了他的产品、他的客户、他的语气偏好、他那套模型的版本。字段不换，场景一换就直接失效。

这篇文章不教你怎么攒提示词，只讲一个我用了大半年的四项框架，以及它怎么在写文案、写代码、调绘图模型、搭Agent时反复复用。看完你会理解，为什么“收藏84条提示词，不如背下这1个万能公式”。

1. 先搞懂提示词的底层逻辑：你面对的是一个容易脑补的白纸员工

1.1 提示词到底在解决什么问题

对话式模型的本质，是一个做完海量文本续写训练的机器。你给一句话，它按概率续下一句，一路续到你觉得“像个能干活的人”。这意味着它没有任何立场、没有你的个人偏好、不知道你的隐私边界，也没有人类那种“常识”的默契。

“帮我写篇文章”——在它看来，这已经是一个完整的任务了。它不会追问你：发在哪个平台？给谁看？多长？什么调性？它只会按训练数据里最常见的那类文章续写，也就是“四平八稳的AI腔调文章”。这就是为什么很多人觉得AI写的东西都带着一股“塑料味”：不是模型不行，是你给的信息太少，它只能猜一个最安全的大众答案。

把模型当成一个“新入职的员工”来想就通了：他能力很强，但对你们公司的潜规则一无所知。你不告诉他要交付给谁、按什么格式、忌讳什么词，他一定先按自己习惯的方式干。提示词工程，说白了就是“结构化地说清楚一个任务”。

1.2 为什么“别人的咒语”救不了你的场景

市面上的“万能提示词”收藏帖，基本可以归成两类：一类是角色扮演套话（“你是资深营销专家，请……”），另一类是带着具体产品的爆款模板（“帮我写小红书文案，产品是XX护肤霜，目标是宝妈，要煽情”）。这些模板在原作者手里是有效的，但你抄过来时，三个变量已经变了：

1. 问题变了。原作者解决的是“护肤霜卖给宝妈”，你要解决的是“茶叶卖给中年男”。字段不同，结果就是另一篇文章。不信你试试把“护肤霜”直接换成“普洱茶”跑一遍，大概率得到一篇驴唇不对马嘴的种草文。
2. 模型变了。收藏帖往往不标注它用的是哪一代模型。同一个prompt，在不同型号上的表现差异很大。你照抄时用的工具可能和原作者差两代，效果自然不可复制。
3. 你没有判断标准。84条模板之间没有体系。遇到新任务，你根本不知道应该选哪条；生成之后，你也不知道它到底算好还是算坏。于是你只能陷入“换个措辞重试”的撞运气循环，而不是“做一次有依据的修正”。

想通这三点后，我把收藏夹全删了，只保留一套四要素框架。因为提示词的要义不是“背下来念”，而是“每次都能为当前任务现写一份说明书”。

2. TASK四要素：把需求翻译成模型能执行的任务说明书

如果你只记住一个公式，记住这四个词：T-A-S-K（Target目标、Around背景、Steps步骤、Check校验）。巧的是，prompt的本义就是“给模型布置任务”，而TASK刚好就是“任务”的英文。

在你把细节填进去之前，先看这个填空模板。这套模板我贴了半年，写文案、写代码、画图都在用：

你是一位【身份/角色】。 任务：【一句话说清要什么交付物】。 背景：我面对的场景是【场景】；我的读者/用户是【对象】；我手上有的素材/资料是【粘贴或说明】；约束是【不能做什么、必须做什么】。 步骤：请按三步执行：1.【先做什么】；2.【再做什么】；3.【最后做什么】。 示例：请参考这种写法/结构：【给一个你认可的样例】。 校验：完成后请对照清单检查：【几条可量化的标准】；如果没达标，先说明哪条不达标，再修改。

下面拆开讲每个要素，以及它为什么必须存在。

2.1 T：目标——交付物和验收标准

目标不是“写篇文章”，而是把“交付物+验收标准”写清楚。交付物指的是最终形式：一篇公众号推文、一段Python脚本、一条小红书笔记、一张图。验收标准是“怎么算合格”：多少字、包含哪几个要点、标题不超过多少字、代码要能在哪个环境跑通。

为什么验收标准这么重要？因为模型无法感知“你觉得好不好”，但它能测量“字数是否达标、是否包含3个技巧、是否用了你禁止的词”。你把主观审美翻译成可量化指标，它才能自我检查。我见过太多人写“我要你写得更有趣一点”，模型只会把“有趣”理解成加感叹号和网络梗，真正的有趣它无从判断。

2.2 A：背景——让模型站在你的坑里看问题

背景是四个要素里最容易被漏掉、也性价比最高的一项。模型不知道你是谁、不知道读者是谁、不知道平台规则、不知道你忌讳什么。它默认的“读者”是训练数据里的平均网友，默认的“语气”是平均帖子的语气，默认的“价值观”是平均说话人的价值观——而这些默认值，几乎从来不是你想要的。

背景的正确写法是“差异信息”：我是咖啡新手，完全没买过手冲壶；读者是每天加班到九点的白领；发布平台是公众号，不能超过1400字；不要出现老掉牙的比喻；素材里提到的产品型号不能写错。这些信息模型猜不到，而每一条都在把输出往你要的方向拽。

很多人以为背景等于角色扮演，其实角色扮演只是背景里的一小项。更值钱的是“场景约束+素材投喂”。给素材时最好明确说“下面是我们的产品资料，用里面的事实，不要自己编”——这一句话能大幅减少AI一本正经编数据的概率。

2.3 S：步骤——告诉模型“按我的套路来”

模型接到任务后，会本能地选它训练数据里最常见的那条路径，也就是“一鼓作气输出终稿”。但你的工作流往往不是这样：你可能想先列大纲、先出三个标题供你挑选、先设计方案再写代码。这些“我习惯怎么做”的流程，模型全部不知道，必须写在步骤里。

步骤用“先…再…最后…”这种显式编号最有效。同时，给方法偏好：写文章用金字塔结构，写方案用AIDA，拆故障用RCA。这些术语模型都懂，直接点名就行。

S里面还藏着一张王牌：示例（few-shot）。给一个“你想要的正确输出样例”，比用一百个形容词描述都有效。比如写客服话术，直接贴一段“我们认可的回复语气”样例；画图，贴参考图描述。模型对示例的模仿能力，远强于对抽象形容词的理解。这条一定要用。

2.4 K：校验——防止模型一本正经地跑偏

模型输出完之后不会自我检查，除非你把“检查”作为任务的一部分写进去。校验有两种写法：

第一种是输出前自检清单。在prompt末尾写“完成后请核对：是否覆盖背景里提到的3个要素？是否控制在1400字以内？是否有事实性编造？如果发现哪里不达标，请直接修改，而不是带着问题交付”。相当于让模型在交付前多走一遍自查，很多低级错误在这一步就被拦下了。

第二种是表面歧义防错。自然语言天然有歧义，AI绘图圈流传着一个“鹈鹕骑自行车”测试：输入“一只鹈鹕骑自行车”，有的模型真的画出“一个人骑在一只鹈鹕背上”——因为它把“骑”的主语理解错了。文字模型同样存在理解偏差。让模型用你的标准先过一遍，等于多一道质检。

2.5 一张表看懂烂Prompt和TASK Prompt的差别

3. 同一套公式，我实测跑通了文案、编程和文生视频

公式背出来不算会，能换场景复用才算。下面三个场景都是我用TASK公式一步步填出来的实战记录。

3.1 场景A：让AI一次性写出可发布的公众号文章

有读者在后台问：想用扣子搭一个自动生成公众号文章的智能体，该把什么样的提示词写进人设？答案依然是TASK公式，只是把它固化成常驻指令。

我在调试时用的完整prompt是这样的：

你是一位有8年公众号运营经验的编辑。任务：写一篇公众号推文，主题是“下班后如何不被手机绑架”。 背景：发布对象是25-35岁、下班后疲惫但想自救的职场白领；我公众号的调性是真诚、不说教、给方法；文章需要包含3个能立刻执行的时间管理技巧、1个作者亲历的反面例子、文末一个互动问题。约束：不超过1400字，不出现“时间就像海绵里的水”这类陈词滥调。 步骤：1. 先给我3个备选标题，我选完再继续；2. 按“痛点场景→3个技巧→个人反例→行动清单”的结构写正文；3. 压缩到1400字以内，每个技巧的小标题加粗。 校验：完成后核对：标题是否有冲突感和信息量？技巧是否不需要额外工具就能落地？是否有一句可直接截图引用的金句？不达标就说明原因并重写。

你注意看，每一行都对应公式的一个框。最值钱的是步骤里的“先给我3个备选标题，我选完再继续”——它把一次大输出切成了两轮，避免你嫌弃整篇推文却被迫全部推翻。这个技巧在长文任务里都能用：先让模型给大纲、给标题、给结构，你确认后再展开。因为输出被切小，纠错成本急剧下降。

3.2 场景B：程序员给AI下任务，第一步先写运行环境

我见过很多程序员抱怨“AI写的代码跑不通”，细聊之后发现，他们的prompt往往只有一句“写一个批量转换markdown为docx的脚本”。这句话的问题在于：模型不知道你的操作系统、Python版本、已安装的库、是否需要断点续跑，它只能按它见过的通用路径写，结果八成跟你的环境冲突。

用TASK公式重写后：

你是一位Python中级工程师。任务：写一个脚本，把【folder A】下的所有markdown文件批量转成docx，保留标题层级和表格。 背景：运行环境是Windows 10、Python 3.11；优先用python-docx实现，不依赖pandoc；文件夹约200个文件，需要支持处理过的文件自动跳过。 步骤：1. 先列出你打算采用的库和整体模块划分，我确认后再写代码；2. 把文件遍历、格式转换、错误日志分别写成独立函数；3. 最后给一个命令行调用示例，并列出两个边界测试思路（空目录、文件名含空格）。 校验：完成后检查：是否处理了UTF-8编码问题？每个文件是否有独立try-except，避免单个报错中断整体？是否打印清晰日志？不确定的地方直接标注。

这里的关键改动有两个：背景里写清楚运行环境，这一条彻底消灭了“版本不兼容”这类低级问题；以及步骤里要求先列设计再写码，逼着模型输出可维护的代码，而不是一坨能跑但看不懂的脚本。对编程任务来说，“可测试性”就是校验框里的验收标准。

3.3 场景C：文生图/文生视频里的“鹈鹕骑自行车”陷阱

文生图模型对中文的理解这几年进步很大，但有一个坑始终存在：修饰关系歧义。最典型的例子就是测试界流传的“鹈鹕骑自行车”：你写“一只鹈鹕骑自行车”，有些模型会理解成“一个人骑着鹈鹕自行车”——因为“骑”的主语在歧义句里被丢给了隐含的人。这不是模型笨，而是自然语言在压缩信息时会牺牲主体的修饰关系。

TASK公式解决这个问题的办法，是把主体关系写进目标，再加上校验兜底。画图时我通常这样写：

一张卡通插画：一位穿黄色雨衣的小女孩，骑着一辆明黄色自行车，车筐里坐着一只白色鹈鹕。背景是雨后街道，暖色调，远景构图，细节丰富。 约束：不出现文字水印；主体关系必须是小女孩骑车、鹈鹕坐车筐。

看到没有，我甚至没有用“鹈鹕骑自行车”这个天然歧义短语，直接改成“小女孩骑车，鹈鹕坐车筐”，主体关系在语法顺序上就被锁死了。文生视频的提示词也一样：目标是5秒短视频，背景写清画面内容，步骤里写清镜头运动，校验里写清“不要出现手部变形、不要出现多余人物”。国产视频模型对中文提示词的理解已经不错，但你在公式里多花十秒把“主体关系、镜头、负面清单”写死，生成第一版就能用的概率会翻倍。

4. 真正的高手都在用“校验-反馈-修正”回路，而不是一次写对

4.1 打磨剧本：一次完整的优化链路

说句实在话：写作类的提示词，第一版能直接用的概率极低。日常写作工作流里，我反而会故意把prompt写得“留有余地”——目标清晰，但要求模型先给初稿，然后用反馈回路一点点逼到及格线以上。

用打磨剧本对话举个实际例子：

• 第一版prompt（出初稿）：用TASK公式写一次“把这段父子对话改得更自然”。它给了我一个基本能用的版本，但台词偏书面。
• 第一轮反馈（纠偏）：指明位置、给改法、给参考例子。我写的是：“第5-8句不像真人说话，太文艺。把台词改成北京口语，句长不超过15个字。参考这句：爸，您别老盯着我碗里的，先吃您的。”模型改完明显落地。
• 第二轮反馈（提节奏）：“第12句之后铺垫太长，直接删掉，从父子争吵的最高点切入，用潜台词代替解释。”它把交锋密度提上来了。
• 第三轮反馈（收官）：“结尾改成开放式反问，不要收束结论。”最终版本我几乎没再动。

这条路跑熟之后，我总结出一条反馈铁律：反馈里必须同时包含“坏在哪、希望改成什么样、给一个参照物”三样东西。只说“不行，再改改”，模型只能继续猜你的审美；带参照物的反馈，一次顶三次重试。这也对应大家聊提示词时说的“上策”和“下策”：上策是给约束、给示例、给步骤，下策是删掉重来碰运气。

4.2 让模型先复述计划再执行，能省掉一半返工

还有一个屡试不爽的技巧：在prompt末尾加一句“执行前先向我复述你的计划，我确认后再输出”。这不是废话，而是把“校验”前置了。

模型在被要求复述计划时，等于被迫再过一遍自己的设计逻辑，很多明显跑偏的思路在复述阶段就暴露了。比如你让它写方案，它可能在复述计划时说“我会从行业趋势讲起”——你一听就知道方向错了，直接打断纠正，而不是等它写完一千字再全盘否定。一个对话里塞进几次这种前置校验，效果远好于“生成→嫌弃→重来”。

顺带说一句，市面上那些提示词优化插件，本质上就是帮你自动完成这套“校验-反馈-修正”循环。工具可以加速循环，但循环的骨架，还是TASK四个框。

5. 公式用熟了以后：把它固化进系统提示词和Agent

5.1 把TASK当协议写进人设

如果你只是偶尔聊一次天，手动填TASK就够了。但如果你在搭Agent、搭个人AI工作台，或者用扣子这类平台做公众号写作机器人，你完全可以把这套公式固化成人设/系统提示词，让每个新对话都默认遵守。

我当时给公众号智能体写的“人设与回复逻辑”只有一小段：

你是公众号写作助手。用户每次给出主题和素材后，按以下协议工作： 1. 先明确交付物与验收标准（字数、结构、语气），缺失时反问用户； 2. 补全背景和约束，素材不足时向用户要素材； 3. 先给结构和标题，用户确认后再展开正文； 4. 任务完成后逐条对照验收标准自查，并向用户汇报修改点。

你会发现，这段话本质上就是TASK公式，只不过从“一次性填空”变成了“常驻工作协议”。把这段协议放进系统提示词后，我几乎不再手写长prompt了，每次只说“今天写篇关于XX的”，Agent会自己走完目标-背景-步骤-校验的循环。不少团队还会把类似协议写进Spring AI项目的system prompt配置里，由后端统一维护提示词版本。

5.2 关于“泄露提示词”，我的态度是：抄结构，不抄内容

最近“AI编程提示词泄露”“Cursor提示词泄露”这类话题讨论度很高，不少人在后台求一份“泄露版”。我的态度一直很明确：泄露出来的提示词，是它所在项目的产物，高度依赖模型版本、代码库上下文、用户习惯。直接粘贴过去，大概率得到一堆和环境冲突的次品。

但你完全可以偷它的结构。任何一份工业化程度高的提示词，拆开来看都逃不出TASK：它一定会声明目标和验收方式，一定会塞背景约束，一定会规定执行步骤，一定会设计校验环节。所以与其追着“泄露版”跑，不如把TASK四要素背下来，对着自己的项目填一遍。这才是把别人的提示词变成自己能力的方式。

写在最后的话，是我个人真实的体会。删掉那84条收藏后，我没有立刻变厉害，前两周甚至更慢——每次填四个框，比随口丢一句“帮我写个XX”啰嗦多了。但第三周开始，速度回来了，而且第一版质量明显上了一个台阶。后来哪怕是用绘图模型，我脑子里也只剩四个框：目标、背景、步骤、校验。提示词从来不是靠背，是靠结构。你收藏库里那些“无敌咒语”，本质上是别人用结构赢来的结果；你要做的，是背起结构本身。