不夸张地说提示词工程现在已经是“会用大模型”和“用得好大模型”之间的分水岭。同一个模型有人拿它聊聊天天写个段子有人拿它产出整份可交付的方案、代码和数据分析报告差别就在提示词上。这篇文章我打算写得全但尽量不啰嗦覆盖从“提示词到底是个什么东西”到“程序员怎么写结构化提示词”再到“温度参数、思维链、踩坑记录”这一整套内容。不管你是完全没接触过的小白还是已经写过不少代码的程序员都可以按自己的基础挑着看也可以直接收藏等遇到具体问题再回来翻。1. 我见过最浪费大模型能力的三种问法先来回想一个很常见的场景你打开某个大模型产品在对话框里输入“帮我写一份活动策划”然后回车。结果是它确实给你写了一篇活动策划但内容四平八稳、千篇一律放哪都能用放哪都没用。这不是模型不行是提示词给的“信息量”太小了。我过去一年里帮不少朋友排查过“为什么AI写不出来想要的东西”最后发现几乎都能归结到下面这三种问法上。1.1 只给任务不给上下文“帮我写个周报”“帮我写一封英语邮件”“给我列一份读书计划”。这种一句话任务就好比你在公司走廊里拦住一个刚入职的实习生说“帮我做个方案”然后转身走了。他没背景、没目标、没受众、没边界只能给你一个看起来正确但毫无针对性的东西。大模型也是一样的道理你给多少信息它就只能在这个信息范围内做推断缺了的关键信息它会拿最常见的通用模板来糊弄你。我后来养成一个习惯每次发提示词之前先问自己一句如果这句话交给一个能力很强但完全不了解我处境的同事他能做出来吗如果他自己都得先反问你三个问题那这个提示词就还没写完。1.2 目标大而空没有边界“如何提升写作能力”“怎么学好编程”“帮我分析一下当前的行业趋势”。这种问题太宽泛了。模型不知道你的写作水平、不知道你想提升哪类写作、不知道你是零基础还是想进阶所以它只能给出非常普适的“多读多写多练”式建议。如果你把问题压缩到一个可执行的范围效果立刻不一样。比如不要问“怎么提升写作能力”而是问“我每周需要写一篇行业观察文章但每次开头都卡半小时请给我三种不同风格的开头写法并分别说明适合什么选题”。这样的提示词模型能给出的建议会具体十倍。我自己经常用一个小技巧在提示词里写明“我现在遇到的具体障碍是什么”而不是单纯说“帮我写”。一旦把“卡点”讲清楚模型就不会漫天撒网。1.3 不指定输出格式拿到一堆“散装”内容很多人是想到什么问什么完全不提格式要求。结果模型给你一段一段的纯文本没有标题、没有表格、没有序号看起来就像一份演讲稿。你觉得不好用但模型其实很无辜——你根本没说要什么格式。这里要记住一点大模型的输出格式默认是“最顺滑的自然语言”也就是大段文字。你想要表格、Markdown、带序号步骤、JSON结构、字数限制全部要明确写出来。尤其你是程序员、需要把输出拿去二次处理的时候格式要求往往比内容本身还重要。我放一个最典型的对比低质量提示词帮我写个校园市集的活动策划高质量提示词帮我写一份面向大学生的校园市集活动策划预算5000元以内时间是周六下午两点到六点。输出格式为800字左右的活动方案必须包含以下五个部分活动主题、摊位布置、互动环节、人员分工、风险预案。语气务实不要用空泛的形容词。看出差别了吗高质量那句把背景、预算、时间、结构、语气全部框住了模型没有自由发挥的空间输出自然贴合你的需求。2. 好提示词和差提示词的分水岭底层框架我常跟朋友说与其把提示词工程当成一门玄学不如把它理解为“给新同事写一份需求说明书”。你把需求写得越清楚对方交付的质量就越高。一份合格的提示词背后通常包含四个要素角色、任务、上下文、约束。这四点不需要每次都写全但你需要知道它们各自解决什么问题。2.1 角色设定不是嘴上说“你是专家”就够了让模型扮演角色是提升输出质量最直接的手段。但你写的角色越具体效果越好。比如“你是一名营销专家”这种设定有帮助但有限。你换成“你是一名有8年快消品行业经验的品牌经理擅长市场定位和用户洞察尤其熟悉校园人群的消费心理”模型的输出风格会立刻变得不一样。原因是模型在响应角色时会倾向于调用与该角色相关的知识分布和语言风格。角色设定得越细致它“进入状态”越深。不过也要注意一个度角色不要堆砌太多。我见过有人写“你是资深产品经理、技术专家、心理学大师、写作高手”这种角色多了模型反而不知道以谁为主输出会很拧巴。一般建议一个主角色加一两个关键属性就够用了。2.2 任务指令动词开头目标唯一“列出”“评估”“改写”“总结”“翻译”这些动词是任务的核心。一个提示词最好只包含一个主任务如果你有好几个子任务不要堆在一起而是拆成步骤让模型依次完成。比如你想让模型帮你写一篇公众号推文就不要只写“帮我写一篇推文”而是写“请先列出这篇文章的大纲再根据大纲逐段展开控制在1200字左右”。这样模型有了明确的执行路径不会一下子把大纲和正文混在一起输出节奏也会好很多。我自己的经验是当任务描述出现“以及”“然后”“顺便”这类词的时候就要警惕了。提示词里任务过多模型会顾此失彼最后每个任务都完成得很敷衍。2.3 上下文给模型一段“工作记忆”上下文是提示词里最容易被忽略的一项。模型本身没有关于你的记忆你给它多少背景它就基于多少背景去思考。你要写商业计划书就要告诉它你的行业、目标客户、市场情况、预算约束、竞争对手。你要写论文大纲就要告诉它你的研究方向、主要素材、学校要求、目录结构。这些信息能让模型的输出从“泛泛而谈”变成“为你量身定制”。我在一次实测里写过两份内容差不多的提示词一份带了详细的行业背景和客户人群描述另一份没带前者的输出可落地程度明显高于后者。但也提醒一下上下文不是越多越好。如果你塞进去的都是一些无关紧要的信息模型反而会被带偏。给信息的原则是“直接跟当前任务相关”。2.4 约束与交付要求把边界画清楚约束条件说直白点就是画“允许与不允许”。你希望输出多少字、希望它用书面语还是口语、希望它不要使用某些词、希望它以什么结构结束这些都可以明明白白写在提示词里。比如写商业文案时你可以加一句“不要使用‘赋能’‘闭环’‘抓手’这类黑话多用大白话”。写技术文档时你可以加一句“不要输出多余解释只输出可执行代码”。这些约束会直接影响模型的语言习惯让它别按自己最习惯的套路出牌。到这里你可能会发现所谓提示词工程并不是什么高深的魔法本质上就是一句话把你的需求说清楚。角色、任务、上下文、约束这四样东西就是“需求说明书”的固定栏目写多了自然顺手。3. 小白先抄作业拿来即用的三套提示词模板如果你刚接触提示词工程让你一上来就自己写框架确实有点难。我的建议是先抄别人验证过的模板把占位符换成自己的内容。用不了几次你就能理解这些模板为什么要这样搭。下面三个模板是我平时使用频率最高的覆盖了大多数人日常的80%需求场景。3.1 万能写作模板适合周报、总结、方案、文案这个模板的核心思路是先把素材给够再让模型帮你组织语言。很多人写不好提示词是因为让模型去编造素材而不是让它去整理素材。你是一名[岗位]的[角色定位描述]。 接下来我要写一份[文档类型]背景如下 [一句话说明这次写作的用途和目标读者] 我目前掌握的素材是 [分条列出你的关键信息、数据、已完成的工作] 请帮我把素材整理成一份[文档类型]要求 1. 结构上分为[第一部分]、[第二部分]、[第三部分] 2. 语气[正式/口语/简洁] 3. 字数控制在[数字]以内 4. 不要添加素材中没有的事实比如写周报就可以这样填你是一名市场部的运营专员熟悉用户增长和活动执行。 接下来我要写一份本周工作周报目标读者是我的直属负责人。 我掌握的素材是 ① 完成了线上拉新活动的页面搭建活动上线3天新增注册用户1200人 ② 输出了下月内容日历初稿覆盖公众号、小红书两个渠道共8篇 ③ 排查了上周投放转化率下降的问题初步定位为落地页加载超时 请帮我把这些素材整理成周报结构包括本周完成、数据小结、遇到的问题、下周计划语气简洁总字数控制在400字以内不要添加素材中没有的内容。这个模板的关键在于它把“素材”和“组织”分开了。模型做它最擅长的事——重新组织语言而不会替你去编造事实。3.2 信息整理模板适合会议纪要、文章摘要、内容归类大模型处理长文本的能力很强但它需要你明确告诉它“整理成什么样”以及“哪些信息最重要”。信息整理模板的核心思路是给原始素材定义输出结构。以下是[一份会议记录/一篇文章/一段访谈]的原始内容 【粘贴原始内容】 请帮我整理成一份[结构类型]要求 1. 包含[主题]、[关键结论]、[待办事项]三个部分 2. 每条结论用一句不超过20字的话概括 3. 待办事项需标出负责人和时间点 4. 如果有信息缺失则注明“原文未提及”不要自行补充比如开完会你有一大段语音转文字以下是本次项目讨论会的语音转写内容 【粘贴转写文字】 请整理成会议纪要包含会议主题、主要讨论点、最终结论、待办事项负责人截止时间输出用Markdown格式关键结论每条不超过一行。这个模板价值在于“不要自行补充”这一句。它防止了模型在整理时顺手编造细节这是信息整理场景最容易踩的坑。3.3 学习辅导模板适合解释概念、拆解问题、做知识梳理遇到陌生概念直接问大模型“什么是XX”得到的答案往往是大而全的定义看完似懂非懂。但如果你要求模型用类比来解释效果会完全不一样。你是一名[教学角色]。 我正在学习[主题]完全没有相关基础。 请用生活化的方式解释[概念] 1. 先给出一个生活化的类比让我建立直觉 2. 再补充一个简单的例子展示这个概念实际怎么用 3. 最后用一句话总结这个概念的本质 4. 过程中避免使用专业术语如果必须使用请先解释举个例子如果你问“数据库索引是什么”标准答案可能是一堆B树、查询优化之类的名词。但用上面的模板模型会给你解释成类似图书馆索引卡片一样的东西让一个零基础的人也能迅速建立直觉。这个模板非常适合所有自学场景。这三个模板你直接用即可先跑通几次再回来看第二部分的原理会发现原来模板的每一句话都对应着“角色/任务/上下文/约束”里的某个要素。4. 程序员进阶用工程化思维写提示词如果是程序员前面的基础可能已经不够了。实际开发中你要处理的是不可控的输入、需要自动化的输出还要考虑提示词的复用、测试和维护。这一部分我把自己在项目里用到的工程化方法分享出来。4.1 用分隔符把“指令”和“数据”隔离当你让模型处理一段外部输入时比如一段用户评论、一段日志、一段文档指令和数据混在一起会让模型分不清“让它做什么”和“给它什么”。解决办法是用一个明确的标记把输入数据包起来。请你判断以下用户反馈的情感倾向positive/negative/neutral。 反馈内容在####和####之间 #### 快递晚了两天还没到客服也联系不上体验很差。 #### 请直接输出情感分类结果。用分隔符的核心价值是降低歧义。模型在没有明确边界的情况下很可能把你给的数据也当成指令的一部分来理解。边界越清晰模型理解越准确。4.2 结构化输出让模型直接产出可编程的数据程序员用大模型最大的诉求往往是“输出可以直接被程序消费”。这时候让模型输出JSON是一个非常实用的方案。但要让模型稳定地输出JSON需要把字段定义清楚。对以下用户评价进行多维度分析并以JSON对象输出。 字段定义 - sentiment: 情感倾向值为 positive/negative/neutral - keywords: 评论中提到的主要问题点字符串数组 - summary: 一句话总结不超过20字 评价内容 商品质量还可以但色差比较严重包装也有破损。 输出要求只输出JSON对象不要输出任何解释不要用Markdown代码块包裹。这里关键点是最后那句“不要输出任何解释不要用Markdown代码块包裹”。很多模型在默认情况下会好心地在JSON外面加一个json代码块虽然人眼看着舒服程序解析起来却多了额外步骤。把这句话写进去后输出基本就是干干净净的JSON。4.3 少样本示例给一个范例比给十条规则更有效少样本提示词的核心思路是在提示词里直接给出一两个输入输出示例让模型照着模仿。很多时候一个具体例子比一段抽象描述更能约束模型的输出风格。请判断下面的客服工单应该分配给哪个部门。 可选部门技术支持、售后服务、物流支持、账号安全 示例1 工单电脑频繁蓝屏重启也没用。 结果技术支持 示例2 工单银行卡被锁定了收不到验证码。 结果账号安全 现在请判断 工单订单显示已签收但实际没有收到包裹。 结果少样本这种方式本质上是在给模型建立“参考系”。它对输出格式、输出风格、判断标准的约束效果比写一大堆规则还要好。我在做自动分类任务时优先使用少样本而不是写一堆if-else式的规则描述。4.4 提示词的版本管理与回归测试很多程序员把提示词当成一次性输入用完关掉就没了。但在正式项目里提示词和代码一样需要管理它会随着测试迭代变化。我的习惯是把每个生产环境使用的提示词保存成独立文件文件名带版本号比如classify_prompt_v1.2.md。文件内容包括提示词全文、适用场景、示例输入输出、曾踩过的坑。每改动一版就把旧版本留档。这样当模型服务升级或输出质量下降时你能快速回滚到之前稳定的版本。跟提示词配套的还要有回归测试样例。我会维护一组固定的输入每次修改提示词后都跑一遍看输出是否符合预期。模型本身的更新可能导致输出变化有了回归样例你可以第一时间发现“是不是提示词不行了”。5. 让模型“先想再做”思维链与参数微调进入这一部分算是提示词工程的中高级操作了。很多人把提示词单纯理解为“把话说清楚”这没错但如果想把模型能力再往上压榨一层你需要理解两个东西思维链和生成参数。5.1 思维链让模型的输出有“推理过程”大模型在回答复杂问题时如果直接要求它给出结论它很容易跳跃到常见的答案模式省略中间推理过程。但如果你要求它先列推理步骤再给结论正确率会有明显提升。这就是“思维链提示词”的基本思想。通俗一点理解它就像考试做数学题只写答案的学生容易在中间步骤出错要求写清过程的学生反而会因为有步可依而少犯低级错误。最简单的用法是在提示词里写明请按以下步骤回答 1. 先拆解我在这个场景下面临的问题是什么 2. 列出可能的解决思路并比较各自的优劣 3. 给出你的建议并说明理由实测下来对于推荐类、规划类、分析类的问题加了思维链之后输出质量几乎都会上一个台阶。一个细节是近年不少模型本身已经在内部做了推理规划对外表现为“默认就该更好”。但在指令明确、需要分步输出的应用场景里显式写清步骤依然有效一方面是为了让中间过程可见另一方面也是用结构约束住模型不让它跑题。5.2 温度参数稳定与发散之间的旋钮如果说提示词是“告诉模型做什么”那温度参数就是“告诉模型怎么选词”。简单理解温度越高模型每次输出越随机越有“发散感”温度越低输出越保守越稳定。在代码生成、分类、信息提取这类场景中你希望模型尽量稳定、别自由发挥此时的温度应设置偏低我常用的范围是0到0.3。在创意文案、头脑风暴、起标题这类场景中适当的随机性反而能带来惊喜温度可以调高到0.7到0.9。你可以根据自己的口味去调使用场景推荐温度原因代码生成、JSON输出0-0.3追求准确和稳定减少随机错误数据分析、信息抽取0-0.3避免模型过度发挥造成事实偏差翻译、改写0.3-0.5在忠实原文和自然流畅之间平衡创意文案、头脑风暴0.7-0.9需要发散性和更多风格变化大部分产品界面的默认温度通常偏高更偏发散这也是为什么你在让模型写代码时它却常常给你“加了点自己的理解”。遇到这种情况先检查一下温度配置。5.3 上下文窗口与多轮对话的取舍上下文窗口是模型单次能接收的信息总量。对话轮数越多占用的上下文越多早期信息会被逐渐挤出去。这时候模型会出现一个典型行为你说的最新几句话它记得很清楚但最开始给它的关键要求已经被慢慢遗忘了。所以我的建议是对于重要任务不要用多轮对话慢慢挤牙膏而是把完整需求一次性写清楚放在一轮里。如果任务特别复杂拆成多个独立子任务分开对话每个子任务都自己携带完整上下文得到的结果往往比在多轮对话里来回修更好。还有一个反直觉的经验写代码任务里与其反复在一个会话里从第一版改到第五版不如在最后需要整合时新开一个会话把前面积累的出问题和修问题记录整理成一个新的提示词把“最终需求”一次性发给模型。此招面对长任务时非常省心。6. 实测踩坑记录与提升稳定性的操作细节说到底提示词工程是一个需要反复实践的手艺。我把自己踩过的坑整理成了一张表算是给前面所有内容的补充。6.1 高频翻车场景与对策现象根本原因调整对策输出全是正确的废话上下文和约束太少补充背景、目标受众、字数限制格式乱、结构不统一没给输出结构的示例在提示词里放一个输出示例专业数据编造让模型猜测未知数据直接把数据提供给它禁止自行补充角色设定失效输出偏通稿角色写得像贴标签补充角色的专业背景、立场、经验越改越差多轮对话里累积了错误信息重新开对话把完整需求一次性重发这张表我曾经打印出来贴在显示器边上每次遇到输出不对劲就对照看一眼结果省下来很多无谓的折腾。6.2 先调提示词别急着换模型遇到模型输出质量下降不少人的第一反应是怀疑模型不行。但在大多数情况下问题出在提示词本身。建议你先做一轮自查背景信息给了多少输出格式有没有明确示例有没有给温度设置是否合理我自己实测80%的“效果不好”都能通过调整提示词解决换模型反而要付出迁移成本。调提示词时记住一个原则一次只改一个变量。比如第一次只加“受众背景”第二次只加“示例输出”这样你能清楚地知道哪一处改动带来了效果提升。全部混在一起改遇到效果变好了你反而不知道是哪个词生效的。6.3 多轮对话的“错误污染”问题多轮对话中如果模型第一轮输出里已经出现了一个错误你在后续轮次纠正它模型有很大概率在后续输出里继续沿用前面错误的信息。这种“错误污染”在多轮对话中非常常见。对策有两条。第一当发现模型跑偏时不要继续在同一个会话里纠正直接新开一个会话把完整需求重发一次。第二如果你想保留前面的有效信息可以在新会话里把之前有价值的输出复制给模型同时明确告知“忽略之前对话中的错误按当前要求重新生成”。6.4 一个不会过时的底层能力说了这么多方法和参数最后讲点体会。提示词工程这个领域变化很快今天很多人还在研究提示词模板明天模型厂商就可能更新了更好的交互方式。但有一个底层能力不会变把需求说清楚。无论是给人派活还是给大模型写提示词这个能力都是相通的。如果你刚开始接触我建议你把前面第三部分的模板先存下来真实场景中用上三次。等你用完了再回头读第二部分的框架大概率会有“原来如此”的体会。我到现在还会定期翻看自己之前写过的提示词有时候会发现当时写得很啰嗦简洁后效果反而更好。这就是提示词工程有意思的地方它不是一条死记硬背的技术路线而是一个不断把你脑子里的想法打磨得更清晰的过程。多写、多试、多复盘效果自然会出来。
