前几天帮朋友调试一个自动化脚本他在提示词里写了三行需求结果模型输出的JSON字段缺了两个模板渲染直接报了错。我让他把需求拆成“角色设定任务清单输出格式限定”三段式结构跑了两次就稳定了。这件事让我想写一篇提示词工程实战总结。提示词工程说白了就是琢磨怎么跟大模型说话让它稳定地干出你想要的结果。市面上讲概念的文章不少但真正能直接抄到自己项目里的技巧和模板反而要自己一个个试才知道。这篇文章整理了我这段时间用下来“立刻能上手”的10个提示词技巧每一条都附了可直接套用的模板文末还有一套我日常在用的模板库适合做内容工具、写自动化脚本、做数据处理的朋友参考。1. 提示词工程的底层逻辑先搞清楚模型在猜什么1.1 大模型不是搜索引擎它是在“续写”很多人把提示词工程理解成“把需求说清楚”这没错但不完整。大模型的底层能力是预测下一个token。你给它一段话它在下意识里做的是“这段语境下最可能出现什么内容”。所以提示词里出现的每一个词都在给模型提供概率方向。举例更直观。你输入“帮我写一封邮件”模型大概率给你一封客客气气、四平八稳的通用邮件。但如果你输入“你是一家创业公司的运营负责人要给一位潜在客户写一封邮件对方上周试用了产品但没回复邮件要简短、主动、不卑不亢”模型的输出就会从“通用礼貌体”变成“特定场景下的推动性表达”。关键点在于提示词工程里上下文比指令更重要。模型不是听懂了你的指令而是顺着你给的上下文在续写。而这个“上下文”主要就是通过角色、背景、示例、输出格式这几样东西来搭建的。1.2 一套万能的提示词框架角色任务背景格式我自己的习惯是任何复杂提示词都套这个公式不需要花哨技巧角色告诉模型它现在是谁有什么专业背景任务你要它干什么尽量用动词开头比如“分析”“总结”“改写”“提取”背景补充任务发生的场景、目标人群、约束条件格式输出的结构、顺序、数量、长度这四个要素看起来简单实际使用中它们的优先级却不太一样。我实测下来的感受格式和角色的影响往往大于任务描述。举个例子你让模型“把下面这段会议纪要提炼成三条行动项”如果不说格式它可能给一句摘要完事也可能给五条建议。你只要补一句“每条行动项包含负责人、截止日期、下一步动作三个字段”输出质量立刻稳定。这也是为什么很多提示词模板看起来都差不多但真正用得顺手的人会反复打磨“格式”这一层。它相当于给模型的续写过程装了导航。2. 10个立刻能上手的提示词技巧2.1 技巧一角色设定越具体输出越有边界角色设定可以说是提示词工程里投入产出比最高的一招。但很多人的角色设定写得太空——“你是一个专家”“你是一个助理”这种设定对模型的约束力很弱因为它没有给出任何判断标准。我自己常用的写法至少包含三层身份、专业背景、输出立场。举个例子你是一位有5年内容增长经验的B站UP主运营顾问擅长把复杂的技术概念转化成适合16-25岁观众理解的视频文案。请你基于下面这段产品说明写出3条口播稿开头风格要求是“轻松悬念”每条不超过50字直接输出列表不要多余解释。比单纯说“你是文案专家”要稳得多。原因是模型在受到具体角色约束时会按这个角色的“语料分布”去续写它的词表选择范围会被明显收窄编造感也会下降。2.2 技巧二任务语句用“做什么”驱动而不是“不要什么”这个技巧是从工程领域迁移过来的。你写“不要输出无关内容”模型反而更容易联想到无关内容。更好的做法是直接告诉它要输出什么。比如差“不要解释太多不要加开场白”好“直接输出最终结果不包含任何解释、开场白或补充建议”这两个指令给到模型身上效果差异非常明显。前者它在理解时还得先把“解释太多”是什么样子解析一遍反而激活了相关模式后者清晰地框定了输出范围歧义少很多。在提示词工程里要尽量把指令写成“正面的、唯一的、可判定的”行为描述。说得学术一点就是降低模型的搜索空间让它不用去猜你有没有漏掉“哪些不能做”。2.3 技巧三给定输出格式让结果天然具备结构化如果你需要模型的输出直接用于程序处理这一步是绝对不能省的。我第一次用大模型做文本分类时没指定输出格式结果模型回了很长一段“根据您的文本分析我们可以看出……”程序直接崩溃。后来我在提示词里加了限制所有结构化输出都稳定了判断以下评论的情感倾向只能输出正面/负面/中性并给出置信度0到1之间的小数。 输出格式{sentiment: 正面, confidence: 0.93}格式的约束不是写在纸上的它会在模型的输出层形成一种强烈的概率引导。尤其是你给出JSON示例之后模型会倾向于把全过程都严格对齐到这个结构里。2.4 技巧四用思维链诱导复杂推理思维链是目前让大模型完成多步推理最有效的技巧之一。但它的使用场景不是万能的。数学题、逻辑判断、多因素对比这类任务比较适合写文案、生成创意标题这类任务加思维链反而会让输出变得啰嗦。它的核心逻辑很简单让模型把推理过程先写出来再给答案而不是直接跳跃到结论。例子如下请回答下面这道题某商品原价300元先提价20%再降价20%最终价格是多少请先写出计算步骤再给出最终答案。如果直接问“最终价格是多少”模型有相当概率算错而先写步骤它的计算接口会逐步被打开中间过程的每个token都在帮它校准后续结果。2.5 技巧五用少样本示例代替抽象描述告诉你一个经验与其花一百字描述“你要的风格”不如给出一个示例。提示词工程里把这个叫“少样本学习”原理是模型能通过几个范例快速识别你期望的模式。有一次我要模型把产品描述改成小红书的种草风格我在提示词里写了不少风格说明“语气亲切、有网感、多使用emoji、结尾要有互动引导”。结果模型的输出还是有点模板腔。后来我直接给了两条示例文案一条原文、一条改后再让它处理第三条效果立刻提升。少样本示例还有一个作用是替模型划定了“什么算好”的边界。尤其当任务比较主观时示例就是你对“好”的定义。2.6 技巧六条件约束写在提示词最后防止被忽略提示词不是越长越好。模型对长提示词的注意力分布并不均匀中间部分的信息容易被削弱。我自己习惯把最关键的约束条件放到最后面例如根据以下会议记录生成周报摘要要求 1. 不超过150字 2. 按照“完成事项、待推进事项、风险点”三部分输出大模型的注意力卡在早期和晚期都有强化现象但结尾处的命令通常会被当成“最后的优先级指令”执行度往往高于放在中段的文本。多个约束条件之间用编号分开也能帮助模型理解优先级顺序。2.7 技巧七用一个变量占位符做批量处理这个技巧做批量内容生成的人应该深有体会。写提示词时把变化的部分抽象成变量其余部分固定下来这样同一个模板可以反复调用。我经常用的写法是这样的你是资深电商文案策划。请为以下商品写上3条使用场景描述和一句卖点标语。 商品名称{{name}} 核心卖点{{feature}} 目标人群{{audience}} 输出要求每条场景描述不超过40字卖点标语不超过15字。这套方式的工程价值在于你不需要为每件商品重写提示词只需要把变量抽出来程序自动填充即可。在批量工作时它的效率提升是以十倍计的。2.8 技巧八任务拆解成子任务逐个击破我的经验是一次提示词里不要堆太多的任务。你让模型“先总结再翻译再提取关键信息最后给出建议”它会尽力完成但每一个子项的质量都可能会打折扣。更好的做法是把一个复杂任务拆成两次或三次调用。比如第一步让模型提炼关键内容第二步再拿着提炼结果去生成摘要第三步再做风格改写。每一次子任务都比较纯粹模型的输出质量会明显更稳。这个技巧尤其适合要给内容做二次创作的朋友。你直接让模型把一段2000字文章缩写成50字摘要效果远不如“先提取核心观点再给核心观点写摘要”来得准。2.9 技巧九设定“不确定性”边界让模型承认不知道很多人担心模型会一本正经地胡说八道。提示词工程里有一种技巧可以明显降低这种情况在提示词里明确允许模型表达不确定性。写法很直接如果问题中的信息不够充分请直接回复“信息不足无法判断”不要推测。只有在证据充分的情况下才给出结论。加上这一句之后模型在信息不足时会倾向于保守。在一些需要高可靠性的应用里比如数据分析、法律咨询、医疗建议类工具这个技巧非常关键。它本质上是在调整模型的“阈值”让它在不确定时不硬编一个答案。2.10 技巧十用温度和多轮对话配合提示词提示词之外的超参调整也能带来质的改变。做创意写作时可以尝试把温度参数调高一些让输出更有随机性做信息提取和分类时温度尽量调低输出更稳定。多轮对话也是提示词的一部分。有一次我需要模型持续优化一段文案单轮完成的效果总是不尽如人意。我改成多轮方式第一轮生成初稿第二轮指定“口语化一点”第三轮指定“把截止日期改成更柔和的表达”。每轮只处理一个方向几轮下来文案的完成度就高了很多。这里也提个醒多轮迭代的成本高于单轮如果你的提示词工程还没把第一轮的格式和约束做好不建议直接靠多轮补。3. 模板库我平时一直在用的六组提示词模板3.1 内容提炼模板这个模板是我做日报和会议记录时最常用的稳定性和格式好到可以直接投喂给后续程序。你是企业运营助理。请将下面输入的会议记录转化为结构化摘要。 输出格式 完成事项列表形式不输出与讨论相关的废话 待推进事项每项需包含责任人和时间节点 风险点如无风险输出“无” 内容输入如下 【】用这个模板时不要再额外加“请准确”之类的话格式已经足够收敛。加了反而可能扰动模型对格式的专注度。3.2 文案改写模板适合做公众号、小红书、知乎等平台的内容二创。它的特点是融合了角色设定和少样本示例。你是擅长撰写社交媒体文案的编辑。请将下面的原文改成符合小红书风格的内容。 要求 - 语气亲切口语化减少书面语 - 加入合理的emoji点缀但不能每句都加 - 结尾附加一个互动提问来引导评论区讨论 - 原文关键信息要保留 # 示例 # 原文这款保温杯采用316不锈钢内胆保温12小时。 改写这个杯子我这个冬天真的离不开了早上倒的热水下班了还是烫嘴的那种谁懂啊你们平时通勤都用什么杯子呀 # 原文开始 # 【】技巧不复杂核心在示例的选取。示例里表达的情绪要和产品调性一致否则风格会被带偏。3.3 数据分析解读模板这是一个典型的“任务拆解格式限定”组合。做数据周报时不用再把一长串数据丢给模型。你是一名经营分析顾问。请根据以下数据表找到3个趋势特征并给出每条趋势的可能解释。 数据表 GMV132万环比8%订单量5700单环比-2%客单价231元环比10%退货率6.5%环比1.2% 输出格式 趋势1【指标变化描述】 可能原因不超过两句话 趋势2【…】这个模板的关键在于数据字段要清晰如果数据本身格式混乱模型的分析质量会明显下降。建议先把数据整理成“指标值”的一行式结构模型解析会容易很多。3.4 代码生成模板写代码场景下最影响输出质量的是边界条件描述不清。下面这个模板对“输入输出”做了强制约束我用它来生成数据处理脚本时一次通过率很高。你是Python开发工程师。请编写一个函数完成以下任务 函数名count_keywords 输入一个字符串text一个关键词列表keywords 任务统计text中每个关键词出现的次数返回dictkey是原关键词value是出现次数 要求 - 关键词匹配时忽略大小写 - 不做子串重复计数如“苹果”已匹配不再在“苹果派”中重复计 - 返回结果按出现次数降序排列 请只输出完整代码不要解释。注意我加了“请只输出完整代码”而不是“不要输出无关内容”这是技巧二的标准写法。3.5 结构化提取模板信息抽取类任务最怕模型遗漏字段。这个模板利用整型描述来规范输出实测在10个以上字段的抽取任务上也很稳定。请从下面的简历文本中提取候选人信息按如下JSON结构输出 {姓名: , 年龄: , 工作年限: , 技能: [], 最近一家公司: , 最近岗位: , 项目亮点: } 注意缺失字段留空技能最多提取5个。 文本内容 【】输出的JSON我做了一层“缺失留空”的兜底模型在字段信息不足时会自动填空避免发散的改写。3.6 多轮对话角色模板搭建客服机器人或者问答系统时这个模板值得直接套用。你是某智能家居产品的售后客服你的语气专业且温和。在回答用户问题时遵循以下规则 1. 先用一句话确认用户问题再用解决方案回复 2. 如果问题超出产品使用范围礼貌说明无法回答并引导用户联系售后热线 3. 回答不要超过80字 4. 当用户情绪激动时先回应情绪再解决问题这套模板好在它把“异常路径”都预先定义好了模型不至于在用户情绪化时生硬地重复官方话术。4. 实操中的经验提示词迭代的四个基本步骤4.1 从“能跑”到“稳定”多做对比测试我踩过的最深的坑是在一个效果还不错的提示词上原地不动。你第一次写出来的提示词往往只达到了“能跑”的水平距离“稳定”还有不小的距离。判断一个提示词是否稳定有个简单标准同一个任务跑10次输出差异很小才算及格。要提升稳定度就得做对比测试。同一组输入分别用两个版本的提示词跑对比输出的格式一致性、信息完整度、有无冗余内容。不用很复杂Excel拉个表就能记录。这样迭代个两三轮提示词的效果就会上一个台阶。4.2 记录“失败样本”比记录成功样本更有价值我有一份属于自己的“失败案例库”专门记录模型被我调教翻车的场景既要这个又要那个结果两边都没做好、示例风格和任务不匹配、输出格式和实际代码解析有出入。每条后面都备注了修改思路。比如有一次我用示例时示例里有两个关键信息点但这两个信息点跟目标任务的方向不对齐导致模型的输出反而偏离了任务。我把这个案例记下来后以后写示例时会先检查示例中的信息是否和目标任务保持同一维度。4.3 控制提示词长度不是越长越好提示词长度的合理边界比多数人想象的要窄。如果你发现自己写了500字还是没说清楚需求这时优先考虑的不是继续补充描述而是把任务拆成两块。长提示词有三个问题消耗更多token、模型注意力衰减、修改成本高。我习惯把提示词控制在150-250字之间必要的细节放到示例或输出格式里表达而不是用长句去描述。4.4 利用并行测试搭建自己的“提示词工作台”日常工作中我习惯把多个提示词版本放在同一份文档里用统一格式去写版本号、使用场景、最后效果。这样做的好处是当你面对不同场景时能快速调出历史方案而不是每次从头开始构思。这个工作台也可以做成一个集成环境用变量填充的方式来管理模板。尤其当提示词需要服务多个使用方时维护一套标准的模板库比每个人各自维护自己的版本要可控得多。5. 不同场景下的提示词工程实战案例5.1 电商文案批量生产场景朋友做电商代运营每周要输出将近100条商品种草文案。原来他全靠手写一天最多写15条后面直接把模板库里的“文案改写”套上配合参数调整每条文案用变量结构填充半小时能完成一整周的文案量。他的流程是这样先把产品数据整理成一张表列有商品名、卖点、目标人群然后用程序循环读取每一行数据填入提示词模板调用接口拿结果最后人工筛选修改一遍保留明显有亮点的标记返回较差的把不合格样本记录到一个sheet里。两周下来合格率从60%提升到了85%左右。5.2 会议纪要自动整理场景有位产品经理分享过他自己的用法会议是用录音转文字全程记录下来他会把转写后的文本直接喂给“内容提炼模板”要求模型只保留跟决策有关的信息。原来整理一次会议纪要需要半小时现在转写好之后交给模型五分钟左右就能拿到初稿。这里面有一个很关键的环节转写文本通常带有大量口语和打断直接喂给模型会产生较多噪音。他的解法是先让模型做一轮“去口语化”处理去掉无效语气词和重复表达再做结构化摘要。这其实就是任务拆解的应用——把最终目标拆成多个步骤每步交给模型单独处理。5.3 客户工单分类场景客服工单分类是提示词工程里结构化输出的经典应用。传统的做法是训练一个分类模型数据标注、模型训练、上线维护周期长成本高。现在只需要写一个分类提示词让模型输出结构化的分类结果即可。常见的格式是这样的将下列用户反馈分为以下三类之一功能咨询、故障报修、使用建议。 输出JSON格式{category: , reason: , keywords: []} 用户反馈 【】这里值得留意的细节是reason字段。最开始我只让模型输出类别后来发现模型偶尔误判单独看结果也不知道为什么。加上reason以后一方面可以校验分类逻辑另一方面这些理由还可以作为训练数据后续再做更精细的模型时直接投入使用。5.4 学习辅助工具场景有朋友把大模型接进了一个学习工具里做一个“错题讲解助手”。她用的提示词很有意思不是让模型直接解答而是让它“扮演一个不爱直接给答案的导师”。提示词大致是请根据以下题目和学生的错误答案引导学生自己推导出正确答案。规则 1. 先指出学生答案里“哪里值得注意”不要说“错了” 2. 通过连续提问方式引导学生发现矛盾点 3. 给出最终提示后让学生自己写出正确答案 4. 全程不超过150字 题目【】学生的答案【】从这个例子里你能看出来提示词工程不只是“更准确地让模型干活”它还能定义模型的“行为风格”。同样是解题指令的不同会让最终产品体验完全不同。6. 实用工具推荐与配套工作流6.1 提示词管理工具的选型思路我试过市面上多款提示词管理工具说实话功能繁多的反而不如简洁的好用。提示词管理工具的核心应该只有三个能力模板存储、变量填充、版本对比。有些工具做得太重有团队协作、权限管理等功能单个用户根本用不上。如果你只是一个人或一个小团队在做提示词工程用Notion文档、飞书表格、或者Git仓库都够用。真正关键的是要建立一套自己习惯的“命名-分类-版本”规则而不是工具本身。6.2 调试工具的必备能力调试提示词时我比较依赖三类工具支持多轮对话对比的、支持参数可视化的、支持批量测试的。多轮对话对比用于评估长上下文场景下模型的记忆效果参数可视化可以直观看到温度、top_p对输出风格的影响批量测试则是验证模板稳定性的最快路径。市面上的主流API调试工具大多有这些功能只是入口和交互方式不同选一个趁手的就行。6.3 从“靠感觉调提示词”到“有数据地调提示词”最开始我也是靠感觉在调提示词觉得输出不够好就换个说法再跑一次碰运气。后来总结下来这种方式的偶然性太大。现在我的工作流是先从历史记录里找出最近5个失败样本分析它们是不是有共性如果都是格式偏差就针对输出格式做强化如果都是内容质量偏低就调整示例或补充角色背景。每一步都有一个明确的修改目标而不是两头一起改因为同时修改多个变量时出了问题往往定位不到根因。这里的核心思路是“一次只调一个变量”和做实验的原则完全一致。6.4 提示词测试集像维护软件用例一样维护提示词如果你打算把提示词工程能力长期沉淀下来我建议建一个专属的“测试集”。测试集就是一组固定输入和预期输出的正交集合每个提示词改动后都拿这一组数据去回归一遍观察效果有没有提升。这个习惯一开始会有些麻烦但作用会在积累到二三十条的时候体现出来。你会逐渐掌握每个模板在边界条件下可能出的问题也能在升级模型版本、更换模型供应商时快速判断哪条提示词“换了模型就不灵了”。7. 避坑指南与心得总结7.1 最容易踩的五个坑第一个坑把提示词写得跟文章一样长。提示词和写作不一样它是给模型的“结构化指令”而不是你的草稿纸。堆砌大量背景介绍模型反而抓不住重点。第二个坑对模型的能力过分夸大或低估。很多人在这两个极端之间摇摆。要么觉得“模型什么都能做”把特别复合的任务直接丢进去最后效果不稳定要么觉得“模型什么都做不好”索性什么事情都自己手工处理。提示词工程的前提是基于模型能力做合理分工该拆的任务要拆该交给规则代码的地方还是要交给代码。第三个坑示例和任务不一致。前面提过示例会划定输出风格的边界。如果你的示例里全是文艺写法但任务是写产品功能说明输出就会偏向词藻堆砌。第四个坑从不做回归测试。模型版本更新后之前稳定的提示词效果可能发生变化。如果一直在线上用同一个提示词而不更新某天突然劣化了都会找不到原因。回归测试不是能不能做的问题而是必须做的问题。第五个坑忽视了上下文长度。有些提示词模板本身没有问题但在对话轮数变多后模型开始“忘事”。如果任务比较长建议定期把关键前提重申一遍或者让模型在输出前先回顾一遍上下文。7.2 我的几点心得提示词工程没有标准答案但有一条主线它始终是概率引导的艺术。你给出的信息越能缩小模型的预测空间输出的稳定度就越高。所以学习提示词工程与其学套路不如学原理——理解模型如何预测、如何分配注意力、如何受示例影响。把原理吃透后任何新场景你都能自己拆解成一套有效的提示词。我自己的工作习惯是每周抽点时间把当周跑过的提示词做过一次复盘记录哪些改进了、哪些无效。积累到一定量级后你做提示词的速度和精度会形成质的飞跃。就像学任何一门手艺一样上手靠模仿精通靠复盘。7.3 提示词工程的下一个阶段与其说明天模型会发展成什么样不如让思维回到一个弹性的状态。提示词工程这个领域表面上是在研究“怎么跟模型沟通”本质上是在研究“怎么把人类需求转化为机器可执行的表达方式”。这个能力不只是今天有用往后的应用空间还很大。至少我现在的判断是花在理解“如何准确、无歧义、有结构地表达需求”上的积累不会白费。如果你刚开始接触提示词工程希望这篇文章能帮你少踩一些我当初踩过的坑。文中的所有模板直接拷走改改就能用。如果你在使用过程中发现了更好的写法那正是这件事最有趣的地方——大家可以一起把公共的模板库边界再推大一点。