做AI内容创作和自动化流程三年多我最大的感受是提示词工程这五个字被神话也被误解。每次看到有人把一通乱写的需求发给模型然后抱怨“AI不行”我都想劝他先冷静下来把当前这句话拆开看一遍——你到底是在问问题还是在给一个聪明但没常识的实习生下指令方向错了后面所有调参都是浪费。这篇东西想分享的是我自己沉淀下来的一套提示词工程实操方法一共10个技巧每个技巧都能在下一次对话里直接套用。最后附了一份模板库是我日常复制粘贴后改填空就能用的适合做内容、做分析、写代码、处理表格、翻译润色的朋友。如果你最近也在关注“上下文工程”这个词会发现它出现的频率越来越高。它本质上就是提示词工程的一个底层视角——提示词工程关注你“怎么说”上下文工程更关注你“给它什么背景信息、边界和约束”。文章里会把这两件事串起来讲不搞玄学只聊能落地的。1. 同样一句需求为什么模型给出的答案差距这么大1.1 大多数人的提示词是“碎块”不是系统“帮我写一份产品介绍”可能是最常见的问法。模型会给你一个平均水平、不出错但也不出彩的回答。它不算错就是平庸。问题出在哪模型本质上是根据你给的词去预测接下来最有可能出现的词。你没给它角色、框架、风格、边界它就按照训练数据里出现概率最高的“通用文本”来续写。你等于请了一个实习生只说了句“做点东西”他能怎么办只能交一份“看起来对”的通用文档。提示词工程就是把“做点东西”升级为“以XX身份按XX结构只依据XX材料产出XX样式的结果”。一个完整的提示词至少要包含四个要素任务目标、角色与受众、输入信息与上下文、输出格式与约束。很多人写提示词只写了“任务目标”里的半句其他全靠模型猜。那模型就只能给你一个平均答案。我自己常把这个过程比喻成给模型搭“临时工作台”。工作台上摆什么角色设定、参考材料、示例工具怎么摆步骤、格式禁止区贴了什么负面约束会直接决定模型在这个工作台上能做出多细的活。你只扔给它一个空桌子它当然只能端出一盘“预制菜”。1.2 上下文工程才是提示词工程的地基最近大家开始聊“上下文工程”它不是提示词工程的对立面而是更底层的东西。提示词工程关心的是“你要模型怎么回答”上下文工程关心的是“模型在这一轮回答前能看到什么”。模型没有真实世界的记忆。它每一轮都只依赖你提供的上下文以及训练时见过的语料知识。如果你只写一句话“帮我做一份行业分析”它的上下文里没有任何真实行业数据那它只能从记忆里“凑”凑出一份看似合理、但没有出处的分析。这就是AI幻觉的根源之一。如果先把资料粘进去再加一句“只依据上述资料作答”效果会立刻不同。所以我把上下文工程看成全部工作的地基。提示词工程负责表达方式上下文工程负责内容边界。两者合起来才算完整的“提示词工程实践”。很多人在提示词上纠结辞藻却不愿意多花两分钟把背景材料整理好方向就反了。2. 立刻见效的五个基本功角色、指令、格式、示例、边界2.1 技巧1角色设定——先告诉AI“你是谁读者是谁”角色设定是最容易上手也最容易被低估的技巧。很多人只会写“你是专家”但专家的范围太宽了。你告诉模型“你是资深人力资源顾问读者是初创公司CEO说话直接、少用术语”它给出的内容和你只说“你是人力资源专家”完全不同。原因在于角色设定等于给模型“开了一个头”启动了一层角色扮演语境。模型后续用词、视角、案例选择都会被这层角色语境牵引。读者画像的作用也一样它决定了表达深度。没有读者画像时模型默认按“百科全书写法”来四平八稳不痛不痒。实操中我习惯把角色和读者写成一句话放在提示词最前面你是资深人力资源顾问读者是初创公司CEO说话直接、少用术语。请分析这个岗位的招聘难点并给建议。注意角色设定别堆太多。超过三四个身份模型会“表演过度”反而显得油腻。简单任务一句话就够了。2.2 技巧2命令式任务——把“问问题”改成“下指令”“如何提升课程完课率”这是一个问题激活的是模型的大脑里“万能建议”模块。它会给你一堆套话优化内容、加强互动、设置奖励……全都对但都没用。如果改成命令式任务基于以下课程数据找到完课率最低的3个模块分别给出一个可执行的改进措施按影响力从高到低排序。输出为列表每条措施包含具体动作和预期效果。差别立刻出现。因为你把“如何”换成了“找到3个给出措施排序列表”相当于给模型划定了搜索范围。它不再需要从所有关于“完课率”的知识里随便挑几条而是按照你的指令结构去组织答案。这里有一个小窍门动词要具体。不要用“分析一下”用“列出”“对比”“排序”“生成”“改写”“判断”。数量也要具体。不要“一些要点”要“3条”“2个方案”“800字”。命令越明确结果越可控。2.3 技巧3格式约束——先告诉模型“我要什么样的成品”很多人抱怨AI输出格式乱然后自己花二十分钟重新排版。其实问题出在提示词里没有格式要求。模型生成文章时默认选择训练数据中最常见的结构但“最常见”不等于“你想要的”。解决方案是在提示词末尾加一段格式说明输出格式使用markdown三级标题结论放在最前面用表格列出对比项不要使用“首先、其次、最后”等连接词全文不超过1000字。加了这句之后模型会顺着你的格式骨架去填充内容。你要表格它就会把对比项规整成表格你要结论前置它就会把最核心的判断放第一段。这里面的逻辑是格式说明也是一种强上下文它告诉模型“成品长什么样”。自动化场景里这条尤其好用。如果你需要把结果灌进Excel或系统直接让它“输出为JSON格式不要输出多余文字”能省掉一大部分解析成本。不过格式约束不要超过5条否则模型会把精力花在应付格式上内容质量反而下降。2.4 技巧4给示范样本——一个例子胜过100字抽象要求AI对抽象概念的理解是“近似”的。你说“把用户评论分类成赞扬、投诉、建议”模型不一定清楚“抱怨”和“投诉”的边界。但如果你给几个示例它立刻就懂了。示例1 “快递终于到了包装精美。” - 赞扬 示例2 “等了三天才发货盒子有点变形。” - 投诉 示例3 “如果能把售后响应再快一点就更好了。” - 建议 现在请按同样方式分类 “产品不错但客服不太专业。”模型不需要你解释什么是“投诉”它会模仿示例中的分类逻辑。这是提示词工程里典型的few-shot方法。它的核心价值是给模型一个“答案的分布范本”让模型按范本输出而不是靠语义理解去猜。这条在模仿文风时也很管用。与其说“写得更幽默一点”不如直接甩给模型一段你喜欢的幽默文本然后说“模仿这个语气”。很多时候一个顶一万个。2.5 技巧5负面约束——明确告诉模型“不要做什么”负面约束常常被忽略但它非常管用。模型在训练数据里见过太多“首先……其次……最后”的套话你不拦一下它就自动补齐了。同理“综上所述”“众所周知”“赋能”“抓手”这类高频词也会被模型顺手拿来当填充物。做法是把负面约束集中在提示词末尾用“不要……”列出不要使用“综上所述”“首先其次最后”等套话不要编造数据数据缺失时直接写“未提供”不要输出与问题无关的解释。负面约束的作用是在概率排序时压低一些高频套话的权重。它不是严格逻辑上的“禁止”但实测下来确实能明显改善输出。不过负面约束不要超过5条否则模型会“束手束脚”写出来的东西变得机械、干巴。尽量用“不要…而是…”的句式效果更好不要空泛描述而是给出具体的动作、时间、负责人。3. 再上一个台阶五个进阶技巧专治复杂任务和“AI幻觉”3.1 技巧6步骤链——让模型“先拆题再答题”做复杂任务时模型像极了刚入职的应届生目标太大容易慌一慌就跳步、漏细节。解决办法是让模型按步骤输出。请按以下步骤回答并把每一步的结果都输出出来 第1步明确任务核心目标和成功标准 第2步列出完成此任务所需的信息并说明哪些缺失 第3步给出初步方案 第4步评估方案的潜在风险并修正。这个写法在提示词工程里对应“思维链/步骤链”。本质上是让模型把隐式推理过程变成显式步骤降低长跨度推理中丢步的概率。不是所有场景都要用。简单任务用这招模型会给你看一堆过程废话浪费时间。如果你不想看推理过程可以加一句“最终只输出结果不要展示中间步骤”但先让模型在内部走一遍推理输出质量通常比直接生成稳定。3.2 技巧7上下文注入——把“参考资料”直接喂给模型并限定只用它这是目前对抗AI幻觉最有效的方法也是上下文工程落到实处的具体操作。做法很简单把相关资料粘进提示词然后加一句请只依据上面给出的【材料】进行回答不要使用训练数据中的其他信息。如果材料中没有提到请回复“材料未覆盖”。为什么有效因为模型不是数据库它生成的是“看起来合理”的文本。当你把可靠材料填进上下文模型回答时就会以材料为重心而不是凭空“回忆”或“编造”。我做行业分析和金融数据相关的生成时凡是涉及具体数字都会强制这个规则。如果没有数据就宁可让它说“缺数据”。这里要说一个容易踩的坑材料要整理干净再喂。给它3页杂乱无章的扫描件效果远不如给它1页精炼的背景摘要。上下文质量直接决定生成质量。你塞进去一堆噪声它给你抓错重点。3.3 技巧8先提问再回答——需求不明时让AI做“需求分析师”遇到新项目、陌生领域、需求模糊的场景别急着让模型输出完整方案。你越急它越容易按平均逻辑给你一堆通用内容。更好的方式是让它先提问先别急着输出完整报告。为了把内容写准请先向我提3-5个关键问题例如目标受众、使用场景、现有材料范围、期望的交付格式。等我答复后你再开始正式生成。这一招等于把“模糊需求导致不匹配输出”的问题提前到生成之前解决。模型通过提问帮你锁定信息缺口很多时候连你自己都被问清醒了原本没想清楚的需求被几个问题逼出了答案。不过注意如果任务很明确就别用这招否则会白白增加一轮交互。它适合在你自己都不知道该给什么信息的情况下使用。3.4 技巧9自检与自我批判——让AI自己挑自己毛病初稿完成后追加一轮提示词让模型换个视角审自己现在请切换成严格审核者角色。请逐条检查上面的回答1是否存在没有数据支撑的推断2是否有过于空泛、可以直接替换进任何项目的套话3哪些地方可能被读者质疑列出3个最严重的问题然后给出修改版。模型在同一对话里重新用“批判视角”看自己刚写的内容相当于激活了另一套注意力模式。它往往会发现自己前面没展开的数据、例证和风险点然后修改得具体很多。这个技巧在我写长文时已经是标准流程先放开写再让它自己审审完再改。一般一轮到两轮就够第三轮基本是边际效应递减。3.5 技巧10多轮迭代修订——把AI当“第一稿写手”而不是“最终答案”很多人写提示词有个执念想一次写出完美内容。实际上越追求“一步到位”越容易得到一个四不像的产物。更靠谱的方式是把AI当第一稿写手然后做迭代式提示词工程。第一轮用模板生成初稿。 第二轮给出具体修改意见“第二段太抽象给一个具体案例结论部分压缩成3条。” 第三轮整体检查“补上开头一个钩子注意语气更克制。”每一轮改动要小、要具体。一次提太多要求模型很难全部落实。大量实测下来三小轮迭代的效果通常好于一次性写一个巨长的提示词。这也好理解模型没有“边猜边改”的能力你把过程拆成多轮等于每轮给它提供了更精准的上下文信号。修改意见越具体输出越贴需求。如果你在做自动化流程可以把“生成→自检→修改”写成一个固定的工作流每次产出的质量会稳定很多。4. 模板库复制就用的6组提示词模板替换花括号内容就能用模板库是我日常自己存的“套路”。使用时把花括号{}里的内容替换成你的实际信息即可。模板设计的总体原则就是前文提到的角色目标上下文材料结构要求负面约束。你可以直接组合使用不用从零开始写。4.1 模板1通用内容创作适合公众号、小红书、知乎等平台的短内容。你是一名资深的内容策划服务读者是{目标读者画像}。 请根据下面的主题和素材写一篇{平台/场景}短文。 主题{主题} 素材{没有可填“无”} 目标{引导点赞/评论/关注/点击} 写作要求 1. 前2行用一个冲突场景或反常识结论开头 2. 主体部分给出3条核心观点每条搭配一个具体例子 3. 结尾用行动号召收尾 4. 全文控制在{字数}字以内语句短促画面感强。 禁止 - 不使用“众所周知”“综上所述”等套话 - 不编造数据 - 不要输出与主题无关的修饰句。说明素材为空时模型只能依赖训练知识效果一般如果能把素材填上哪怕只有两三句话结果都会具体很多。这就是上下文工程起作用的地方。4.2 模板2结构化行业分析适合做调研报告、竞品分析、市场简报。你是一名商业分析师请基于以下信息完成一份结构化的分析简报。 信息 {粘贴材料} 输出格式 1. 核心结论3行以内 2. 关键指标与趋势用表格呈现 3. 原因分析列出2-3个可验证的原因 4. 风险与建议不超过200字。 规则只使用上面【信息】中提到的内容如果某项信息缺失明确写“信息缺失”。注意表格里的数字必须有出处没有出处就写“未提供”。这是上下文工程的核心要求也是防止模型自己编数字的关键。4.3 模板3代码生成与审查适合写脚本、改bug、生成函数。你是精通{语言}的资深工程师。 需求{描述功能} 要求 - 输出完整可运行代码带注释 - 包含输入校验和错误处理 - 优先使用{标准库或指定库}不要引入不必要的依赖 - 额外给一个调用示例和可能踩坑的说明 - 如果需求中某些条件不明确先提出最多2个问题让我确认再输出代码。代码生成时“先确认再输出”这条尤其好用能避免模型基于错误假设生成一整段不符合需求的代码。写代码的场景上下文工程体现在“需求描述是否精确”描述越精确生成结果越能直接用。4.4 模板4信息提取与结构化适合从长文、合同、纪要中提取关键信息输出成结构化表格。你是信息抽取助手。请从下面文本中提取以下字段 {字段1、字段2、字段3...} 文本 {粘贴文本} 输出要求 - 用markdown表格输出字段作为列 - 如果某个字段无法确定填“未提及” - 保留原文的专有名词和数字不要改写 - 不要输出无关解释。这条模板的优势在于“保留原文数字”和“未提及”的兜底能最大程度避免信息抽取时被模型“脑补”某些不存在的字段。4.5 模板5翻译与本地化润色比普通翻译多了一步“本地化”适合营销文案、产品说明。请将以下内容翻译成{目标语言}并针对{目标读者/场景}做本地化润色。 原文 {原文} 要求 - 不要逐字直译优先使用目标语言中自然的表达 - 专业术语首次出现时保留原文 - 保留语气层次尽量不使用过于书面的连接词 - 翻译后追加一段50字以内的说明解释你做了哪些本地化调整。最后一条“说明翻译理由”是亮点。它会逼着模型停下来想一想自己的翻译决策而不是机械转换词语。翻译质量通常会有明显提升尤其是带营销性质的内容。4.6 模板6自我审核与修改适合已经生成初稿后的第二轮处理。请对以下初稿进行一次严格审核并输出修改稿。 初稿 {粘贴正文} 审核要求 1. 找出其中所有“无信息量”的套话删除或替换 2. 找出论点缺少案例或数据支撑的地方补充一个具体场景 3. 重新组织结构让关键结论更突出 4. 修改后控制在{目标字数}字。 输出格式 - 先说3条主要问题 - 再输出修改稿。这个模板可以和模板1配合使用第一轮生成初稿第二轮用模板6润色效果比单纯让AI“优化一下”稳定得多。你在实际使用时完全可以把它固定成自己的“二轮修订”流程。5. 为什么很多人用了模板还是翻车三条避坑经验5.1 模板堆得越多越好小心把提示词写成了流水账有人觉得既然技巧多那就全塞进去。模板、技巧、角色、格式、负面约束、示例、步骤堆出一大段。结果模型反而抓不住重点输出变成四不像。我自己的经验是一个提示词最好只有一个主要目标把最关键的1-2个技巧放在刀刃上。内容创作重点用角色和格式数据分析和行业报告重点用上下文注入和步骤链代码生成重点用“先确认依赖约束”。模板不是越多越好而是越合适越好。5.2 上下文材料没有整理就直接粘贴等于给AI喂噪声上下文工程很吃材料质量。如果你直接粘贴一整份包含大量无关信息的会议纪要模型很可能抓错重点。我自己会先把材料精简一遍把核心数据、时间点、决策项提取出来再放进提示词。如果材料实在太长就先让模型做一次摘要再基于摘要写正文。这样生成效果会稳定很多也节省tokens。尤其是长文档处理时这个习惯能救你很多次。5.3 只调提示词不改工作流提示词工程不是孤立的一个环节。你用的时候一定要想清楚这个提示词生成的产物接下来要交给谁要放进什么格式比如你要求模型输出markdown表格但后续要导入Excel那不如直接让它输出CSV或JSON。你准备做多轮迭代那第一轮就不该要求“一步到位”而是让它先给骨架再逐步加肉。工作流层面的思考才真正区分“会写提示词的人”和“会用提示词工程的人”。这几年用了大量模板之后我最大的体会是提示词工程不是一个一次性写作题而是一种和AI协同解决问题的习惯。每次有人说“哆啦A梦有个模板库”他们总以为是什么魔法。真正值钱的不是模板里某句话而是我清楚自己想让模型帮我达成什么目标、在哪里必须严格约束、在哪里可以给它自由。这套习惯也决定了“上下文工程”能发挥多少价值——上下文不是越多越好而是越相关越好。这10个技巧和模板库没有一个是我凭空想出来的都是被一遍遍调出来的。你拿去用的时候先从自己最痛的一个场景开始别十个一起上。给模型多一点信息也给自己多一点耐心你能拿到的结果会远超预期。