过去半年我几乎每天都在写提示词。不是随便跟 AI 闲聊那种是给产品级的工作流设计系统提示词、调试多轮对话、编排多个智能体之间的协作。踩了很多坑也攒下了一些我认为值得分享的方法论。今天我想把它们完整地写出来。这篇文章不是”50 个好用的 prompt 模板”合集。模板脱离了场景就没用到处都能搜到。我更想讲的是一条好的提示词好在哪里好的背后有什么可复现的规律面对一个全新任务从零开始设计提示词时你脑子里应该跑什么样的思考流程把这些东西真正内化之后你不用再背任何模板。你自己就能针对任意场景推导出好的提示词。一条好的提示词到底好在哪里先从最基本的问题说起。你打开 Claude 或者 Gemini输入一行字按下回车AI 给你一段回复。有时候回复很好有时候很烂。分界线在哪里如果只看表面区别无非是”准不准”“有没有用”。但再往下追一层就会碰到大语言模型的运作机制。模型拿到你的输入后做的事情是在训练时见过的数万亿文字的统计模式中预测”在你这段输入之后最可能出现的下一段文字是什么”然后一个词一个词地生成出来。你的提示词就是模型做预测的全部依据。它设定了预测路径的起点和方向。写得越精确、信息越丰富、结构越清晰模型走上高质量路径的概率就越大。写得越模糊模型就越会滑向最泛化的统计均值产出一段正确但毫无洞察力的废话。所以好的提示词好在它为模型铺了一条精确的预测路径。烂的提示词是把模型丢在一个没有路标的旷野里让它随便走。想明白了这一点后面所有方法论就都在回答同一个问题怎样铺路。每条提示词要回答的三件事不管你是要写邮件、分析代码还是设计架构不管用的是 GPT 还是 Claude一条高质量提示词都在同时交代清楚三件事在什么背景下做Context、具体做什么Task、产出长什么样Format。这就是提示词的骨架。Context喂足背景压缩猜测空间模型默认对你一无所知。你是谁、在什么行业、面对什么受众、做这件事图什么它全不知道。每一条信息的缺失都是模型被迫要自己”猜”的地方。而它猜的方式就是走向最通用、最没特色的那个方向。提供上下文就是在压缩模型的猜测空间。你交代的背景越多它需要自行发挥的余地就越小输出也就越精准。要有意识地检查几个维度。你是谁或让 AI 扮演谁一个”资深安全工程师”和一个”初级开发者”面对同一段代码分析的视角和深度完全不同。受众是谁同一份技术方案写给工程师看和写给不懂技术的高管看语言和侧重截然不同。为什么要做目的决定取舍”总结这份合同”有一百种总结法”重点识别对我方不利的条款”则把模型的注意力锁定在你真正关心的地方。以及背景材料项目文档、之前的对话、数据表格手上有的、跟任务相关的信息都值得喂进去这是抑制模型”编造”最直接的手段。举个例子。你要让 AI 写一封内部邮件通知团队项目延期了。只写”写一封关于项目延期的邮件”模型不知道延期什么原因、多严重、收件人是谁、你希望邮件传达什么情绪它只能输出一封泛泛的模板邮件。但如果你写”我是’Tencent XX项目’的负责人需要给跨职能团队工程、设计、市场发一封状态更新邮件。最近遇到了第三方 API 集成的意外问题发布推迟一周。工程已有替代方案。邮件基调坦诚但自信。重点整体进展良好延期原因用非技术语言解释替代方案已就位确认新发布日期。控制在 200 字以内。”第二版里每一句话都在压缩猜测空间。角色、受众、原因、现状、目的、格式全部到位。模型不需要猜任何东西只要把这些要素组织成一封得体的邮件。Task把”做什么”说到不能被误解这里就一条原则消除歧义。用动作明确的动词开头。”分析”“对比”“重构”“提取”“分类”“生成”直接告诉模型要执行什么操作。”帮我看看”“能不能”“关于……的一些想法”这类开头则让模型摸不着你到底想要什么。复杂任务拆成编号步骤。长段指令混在一起很容易被模型遗漏或搅混。拆成”1. 做什么 2. 做什么 3. 做什么”之后模型会把它当成执行序列来走漏掉步骤的概率大幅降低出了问题也容易定位。量化一切可以量化的东西。”简短一些”是模糊的模型不知道你说的简短是 50 字还是 500 字。”150 字以内”是精确的。”几个例子”是模糊的”三个例子每个两到三句话”是精确的。每量化一处就消灭一处歧义。约束条件也属于任务定义。”只使用 Python 标准库”“预算限制在 500 美元以内”“不要出现技术术语”这些边界条件能有效防止模型跑偏。Format预先定义产出形态这个维度最容易被忽略。AI 回答内容是对的但格式完全不能直接用这种情况很常见。你想要表格它给你一堵文字墙。你想要 JSON它给你一段带解释的代码块。你想要几个要点它给你一篇小作文。解决方式很简单在提示词里明确说你要什么格式。”以 Markdown 表格呈现”“输出有效 JSON 对象结构如下……”“编号列表每条不超过一句话”。更有效的做法是直接给一个输出示例。你不用解释你要什么格式展示一个就够了。模型会从示例中学到模式然后复现。这就引出了下一个话题。当”说”不够时就”演”给它看上面讲的三个维度全做到位大部分日常任务都能得到满意的结果。这种不给任何示例、纯靠描述来指导模型的方式叫做零样本Zero-Shot策略。快、省 token、多数时候够用。但你一定会遇到它不够用的时候。比如你需要模型把数据提取成一个你们公司特有的 JSON 结构不管你怎么描述输出的字段名和嵌套方式总是跟你要的有偏差。比如你做情感分类类别之间的边界很微妙”账单投诉”和”功能反馈”之间怎么区分你越描述边界越模糊。再比如你想让模型用一种很具体的语言风格写作你心里有感觉但很难用形容词传达。这时候你需要从”告诉它怎么做”升级为”展示给它看”。这就是少样本Few-Shot策略。大语言模型是超强的模式匹配器。你在提示词里放几个”输入→输出”的示例并不是在重新训练它而是在它的短期注意力中创建了一个很强的局部模式。模型会分析示例中输入和输出之间的映射关系推断出连接两者的规则然后把这条规则用到新输入上。你给的示例就是它在这次任务中最优先参考的标准答案。写好示例有几条硬规矩。格式严格一致。每个示例的结构、标签、分隔符必须完全相同。模型学的是模式模式本身不一致学到的就是混乱。质量比数量重要。三到五个清晰、准确的示例远好过十个粗糙的。示例就是标杆标杆歪了产出必然跟着歪。示例之间要有多样性。做分类任务的话每个类别至少给一个示例。做数据提取的话示例最好涵盖不同的边界情况有的字段缺失、有的格式不同。模型要从中学到”规则”而不只是”一种具体情况怎么处理”。用分隔符把示例和正式任务隔开。### 示例 1 ###、### 正式任务 ###这种分隔或者用 XML 标签包裹让模型能清楚地分辨”哪些是参考”和”哪些是要做的”。有一个简单的判断标准当你发现自己花了很多字描述一个格式或规则描述得越多反而越绕那就停下来给一个示例。一个示例传递的信息量往往抵得上三段描述。角色赋予这件事比你以为的重要得多“给 AI 一个角色”几乎每篇入门教程都会提。但多数人停留在”加一句’你是一个专家’让回答好一点”的层面没触及到它真正的作用机制。角色赋予在做什么它在操纵模型从训练数据中取样的子空间。训练数据里包含了各行各业无数人写的文字。一个”首席安全工程师”写的代码审查意见和一个”计算机科学大一学生”写的代码注释在词汇、深度、关注点上差异巨大。当你告诉模型”你现在是首席安全工程师”时你其实是在说请优先从训练数据中与这个角色对应的文本模式里采样。这不是在加”风味”是在切换模型调用的知识子集和质量标准。有几个实测有效的进阶用法。角色越具体、职级越高效果越好。“我是一个设计师”激活的知识面太广太浅从入门级到大师级的文本全被包进来了取到的是个平均值。”我是一家顶级科技公司的首席产品设计师设计哲学以迪特·拉姆斯的’设计十诫’为中心专注于复杂企业级应用的极简交互”这种定义把取样范围压缩到了一个窄但高质量的区间。你把角色和知名组织、高职级、公认的方法论框架关联起来等于为模型设了一个质量锚点。用第一人称”我是”比第二人称”你是”好。“你是一个资深后端开发者”被模型当成外部指令。”我是一个资深后端开发者在 Python 分布式系统领域有十年实战经验”则会被内化为自我认同。后者产出的角色一致性更好回复也更自然。差异不大但在大量使用中能感受到。要传达一组复杂的性格特质时用一个原型人物替代。“在审查代码时我直接、坦率、标准严苛、不容忍低质量设计”这段话既长又可能不完整。”我以林纳斯·托瓦兹审查内核补丁的方式来做代码审查”只有一句话但模型训练数据里有大量关于这个人做代码审查的素材一个名字就把行为模式、沟通风格和质量标准打包激活了。费曼、奥格威、乔纳森·艾维每一个辨识度够高的名字都是一个信息高度浓缩的”角色压缩包”。角色设定应该放在系统提示词里。这就引出下一个问题。系统提示词和用户提示词的分工很多人用 AI 时只有”用户提示词”的概念就是你在对话里输入的那些文字。但在工程化场景下通过 API 调用或者 Claude/ChatGPT 的自定义指令还有一个”系统提示词”。搞清楚两者的分工是从”随便用用”到”系统化使用”的跨越。系统提示词定义”是什么”。全局生效整个对话期间持续起作用。角色身份、行为准则、能力范围、必须遵守的规则这些不会因具体任务变化的东西放在这里。用户提示词定义”做什么”。每一轮对话中针对具体任务的即时指令。”分析这段代码”“给这份报告写摘要”“把这个方案改成面向非技术人员的版本”这些随工作推进不断变化的操作放在这里。打个比方。系统提示词是演员的角色手册定义了性格、背景、底线。用户提示词是导演在拍摄现场给的场景指令告诉他这场戏怎么演、语气怎么拿捏。手册是稳定的指令是灵活的但两者必须协调。几个容易踩的坑。不要在系统提示词里放具体的任务示例。系统提示词是全局上下文模型把里面的内容当作”始终有效的指导”。在里面放了一个 JSON 格式示例模型可能在后续所有任务中都不自觉地往 JSON 格式靠。任务级的示例放在用户提示词里让它只影响当前这一轮。不要忽视用户提示词的质量。我见过很多人花大量精力打磨系统提示词但对话中丢出的指令却是”接着做”“下一步”“改一下”这种几乎没有信息量的话。系统提示词定义了一个好演员但导演全程含糊照样出不了好作品。告诉 AI 应该做什么少用否定句。”不要写没有注释的代码”“不要忽略边界情况”否定句的问题在于模型处理它们时仍然会激活”没有注释的代码”“忽略边界情况”这些概念。不如换个方向”每个函数必须包含完整的文档注释”“所有输入必须做边界检查”。结构化被低估的高性价比优化手段如果只能从这篇文章带走一个技术性建议我建议是这个给你的提示词加结构。原因很直接。AI 只有你给它的文字。当你的提示词是一大段自然语言混在一起指令、背景、数据、约束全部融为一体模型必须先花”精力”去搞清楚”哪部分是什么”然后才能开始干活。这个解析过程就有出错的可能尤其当提示词超过几百字时。加了结构之后你等于直接标注了”这一块是指令、这一块是数据、这一块是格式要求”模型可以跳过解析直接进入执行。最实用的结构化工具是 XML 标签。为什么模型训练数据里有大量 HTML 和 XML 内容它对标签化结构天然亲和。而且标签名本身就携带语义。customer_feedback比### 文本 ###多了一层信息模型不仅知道这是一段需要区别对待的内容还知道这是客户反馈会用相应的方式来处理。一个例子。没结构的提示词你是一个有经验的全科医生。患者有持续两周的干咳和反复低烧傍晚加重。基于这些症状列出三个可能的诊断从最可能到最不可能排列每个附上简要理由。加了结构的role有二十年临床经验的全科医生/role symptoms 持续两周的干咳反复低烧傍晚时分加重。 /symptoms task 列出三个鉴别诊断按可能性从高到低排列。 每个诊断附一句话理由。 /task内容一样。但第二版让每个组件的边界和功能一目了然。结构化最大的威力在输出侧。你可以让模型在回复中也使用特定标签。比如先在 thinking 标签里写推理过程。 然后在 answer 标签里给最终答案。好处有两个。你可以查看thinking里的推理链来定位错误这是调试能力。下游程序可以直接解析answer的内容做自动化处理这是工程化能力。有了这两项AI 就可以嵌入自动化工作流而不只是一个聊天工具。让 AI 学会”打草稿”思维链的原理和用法前面所有策略都在优化你怎么”告诉” AI 做什么。但有一类问题不管你怎么告诉它它都容易出错需要多步推理的问题。经典例子球棒和球加起来 1.10 元球棒比球贵 1.00 元球多少钱不做引导的话模型几乎总是秒答”0.10 元”。一个很自信的错误答案。为什么模型在做”直觉跳跃”。它认出了问题类型算术题然后直接预测了最”像是答案”的数字跳过了代数推导。而这个直觉跳跃恰好跳到了最常见的错误答案上。思维链Chain-of-Thought策略的思路很简单别让模型跳让它走。在提示词里加上”请一步一步推导”强制模型在给最终答案之前先生成中间推理步骤。为什么有效这跟模型的生成方式有关。大语言模型逐词生成每个新词的预测都以前面所有已生成的词为条件。当你强制它先写出”设球的价格为 x”这个中间步骤时这个步骤就成了它预测下一步”则球棒价格为 x 1.00”的上下文。然后”x 1.00”又成了它推导”x (x 1.00) 1.10”的上下文。每一步都在为下一步铺正确的预测条件。生成中间步骤等于是在为模型”购买”更多的计算空间。这些额外的 token 不是废话是引导它走向正确答案的路径节点。什么时候用思维链简单的翻译、总结、格式转换不需要。思维链的价值场景是数学和逻辑推理、多步骤分析SWOT、代码调试、因果推导、需要权衡利弊的决策、以及有大量约束条件需要遵循的复杂任务。思维链的两个增强变体。自一致性Self-Consistency。用同一个思维链提示词对模型发多次请求比如五次每次带一定随机性得到五条不同的推理路径。然后看五条路径的最终答案哪个出现最多就采纳哪个。正确答案会收敛错误答案会分散多数投票就能过滤噪音。代价是成本翻倍适合高风险、答案可验证的场景。思维树Tree-of-Thoughts。思维链是一条线走到底。思维树允许模型在每一步生成多个可能的方向自我评估哪个方向更有前景选最优的继续深入走进死胡同还能回溯到前面的分叉点换路走。这给了 AI 前瞻和自纠的能力适合开放式的战略规划和创意探索。在实操中可以用”多角色辩论”模拟思维树设定几个持不同立场的角色让他们各自阐述、互相质疑、最后综合结论。每个角色是一个思维分支辩论是评估综合是决策。一个反直觉的技巧先问大问题再解决小问题有时候你会碰到一种奇怪的现象提示词写得越具体、背景信息越详细模型的回答反而越死板、越缺乏洞察力。这通常发生在你的问题太窄、太聚焦于细节的时候。模型被你的具体条件”锁死”了没有空间去调用更高层次的知识和框架。后退一步法Step-Back的做法是分两步。第一步不直接问你想问的具体问题而是先问一个更宏观的问题。比如你想优化一个特定的 SQL 查询先问”数据库查询性能优化有哪些通用策略和原则”第二步拿到模型生成的原则框架后把它连同你的具体问题一起喂回去”基于上面的优化原则分析我这个具体查询应该如何优化。”模型先在宏观层面画一张知识地图然后用这张地图来定位和解决你的具体问题。它能触达的知识广度和分析深度都会优于直接就事论事。对话中的几个高级心法几个不太容易在教程里看到的实践心得。执行前先让 AI 复述计划。启动复杂任务之前先让 AI 说一遍它理解的目标、约束、计划步骤。只有复述跟你的预期吻合了才让它动手。这一步能事前暴露大部分误解远比事后返工高效。AI 会匹配你的水平。如果你问”怎么让网站快一点”AI 给你新手级回答。如果你问”首屏 LCP 超过 3 秒已排除服务端响应时间问题怀疑是关键渲染路径上的阻塞资源建议怎么排查”AI 给你专家级回答。它会”估计”你的水平然后匹配输出。尽可能用专业的术语和框架来提问即使只是半懂展现出你知道的那一半也比什么都不展现好。长对话不如新对话。连续二三十轮的对话上下文里积累了大量过时或无关的历史信息。如果你感觉模型开始”变笨”了回答越来越偏大概率是上下文污染。开一个新对话把必要背景重新喂一遍效果好得多。修改源头别打补丁。AI 输出不对时不要在后续消息里一条条地修正”不要用 pandas”“加上错误处理”“格式换一下”。回到最初的提示词把所有要求一次性写完整让 AI 从干净的起点重新生成。每条追加修正都在给对话历史增加噪音。从单兵作战到团队协作多智能体编排最后一个话题偏工程化但对做 AI 产品的人来说可能是最有价值的部分。工作流复杂到一定程度单一 AI 角色就不够了。原因是不同阶段需要的思维模式互相矛盾。创意阶段需要发散架构阶段需要严谨测试阶段需要怀疑一切。让同一个角色在这些模式之间来回切换效果远不如为每个阶段配一个专门的智能体。做法是把工作流拆成独立阶段每个阶段一个专门的 AI 角色独立系统提示词上下文严格隔离。产品经理智能体的发散思维不能泄漏到架构师的上下文里否则会干扰架构师需要的严谨推理。信息在智能体之间的传递应该是结构化的、经过筛选的只传下游需要的那部分结论不是上游的全部对话历史。不同智能体还可以配不同的模型和参数。架构设计用推理能力最强的模型、低 temperature。营销文案用创意能力强的模型、高 temperature。工具选型这件事本身也是提示词工程的一部分。写在最后回过头来看所有方法论在做同一件事降低模型的不确定性。上下文降低的是”任务背景”的不确定性。角色设定降低的是”输出标准和视角”的不确定性。任务描述降低的是”做什么”的不确定性。格式指令降低的是”产出形态”的不确定性。示例降低的是”预期模式”的不确定性。结构化降低的是”提示词各部分功能”的不确定性。思维链降低的是”推理过程”的不确定性。每消除一处不确定性模型走向高质量输出的概率就高一点。这也是为什么提示词工程不是一门”学了就会”的死知识而是一门需要反复练的手艺。每个任务的不确定性分布不一样你要自己判断这个任务最大的不确定性在哪里我该在哪个维度上投入最多精力去消除它模型会不断迭代新能力会不断出现但”降低不确定性”这个原则不会变。掌握了它不管以后用什么模型你都能快速上手。因为你理解的不是某个模型的脾气而是人和 AI 怎么高效配合这件事的规律。如果你是独立开发者、创业者、或者任何一个每天都在跟 AI 打交道的人这套方法论值得反复实践。它不会让你一夜之间变成”提示词大师”但它给了你一个可靠的思考框架让你每一次跟 AI 的交互都比上一次好一点。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】