提示词工程入门：让 AI 更好地理解你

什么是提示词（Prompt）

提示词（Prompt）是你发送给 AI 模型的文字指令，是人与大语言模型（LLM）之间沟通的桥梁。无论你是在使用 ChatGPT、Claude、Gemini，还是其他任何 AI 助手，你输入的每一段文字都是一个提示词。

从本质上看，大语言模型的工作原理是"根据输入预测最合理的输出"。它并不真正"理解"你的意图，而是基于海量训练数据，推断出最有可能符合你需求的回答。因此，提示词的质量直接决定了 AI 输出的质量——你问得越清楚，它答得越好。

提示词工程（Prompt Engineering）就是研究如何系统性地设计、优化和迭代这些输入指令，以最大程度地发挥 AI 的能力。这不是一门玄学，而是有规律可循的实践技能。

为什么提示词很重要

很多人第一次使用 AI 时会感到失望：问出的问题得到的是泛泛而谈的回答，甚至牛头不对马嘴。这往往不是 AI 能力不足，而是提示词没有传递足够的上下文信息。

想象一下你去餐厅点菜。如果你说"给我来点好吃的"，服务员根本不知道该端什么上来；但如果你说"我想要一份不辣、不含海鲜、分量适中的主菜，预算在50元以内"，服务员就能精准地为你推荐。AI 的工作方式与此高度类似。

研究表明，对同一个任务，经过精心设计的提示词与随意输入的提示词，输出质量可以相差数倍。掌握提示词工程，能让你用同样的工具产出远超他人的成果。

提示词的基本结构

一个高质量的提示词通常由以下四个要素构成：

• 角色（Role）：告诉 AI 它应该扮演什么角色，以什么身份来回答你。
• 任务（Task）：明确你希望 AI 做什么，核心诉求是什么。
• 要求（Requirement）：补充约束条件，比如语气、受众、禁忌内容等。
• 格式（Format）：指定输出的结构或形式，如列表、表格、段落、JSON 等。

这四个要素并非每次都必须全部出现，但越完整，输出往往越精准。以下是一个结合了四要素的提示词示例：

你是一位经验丰富的产品经理（角色）。请为一款面向大学生的记账 App 撰写一份产品需求文档摘要（任务）。内容需要通俗易懂，避免过多技术术语，重点突出用户痛点和核心功能（要求）。请用 Markdown 格式输出，包含"背景"、"目标用户"、"核心功能"三个章节（格式）。

六个实用技巧

1. 明确具体

模糊的问题只会换来模糊的答案。尽量避免使用"帮我写一篇文章"这样的宽泛指令，而应该给出具体的主题、字数、风格和用途。越具体，AI 的发挥空间就越小，偏差也越小。

2. 提供示例

示例（Few-shot Prompting）是提升输出质量最有效的方法之一。当你给 AI 展示一两个"理想答案"的样本后，它能快速捕捉到你想要的风格、结构和调性，产出高度一致的结果。

请按照以下格式整理信息：
示例输入：苹果公司，科技，1976年
示例输出：【公司名称】苹果公司 | 【行业】科技 | 【成立年份】1976年

现在请处理：微软公司，科技，1975年

3. 分步指令

对于复杂任务，不要期望 AI 一步完成所有事情。把大任务拆解为若干步骤，逐步引导 AI 完成，或者直接在提示词中写明"请分以下步骤完成……"。分步不仅能降低出错率，还便于你在中途检查和调整方向。

4. 指定角色

为 AI 赋予一个具体的角色身份，能够激活其在相关领域的"知识储备"。"你是一位资深律师"和"你是一位营销专家"面对同一个问题会给出截然不同的视角。角色设定还能影响输出的语气和专业程度。

你是一位专注于中小企业的财务顾问，拥有15年实战经验。
请用通俗的语言解释什么是现金流，以及初创公司应该如何管理现金流。

5. 限定格式

明确告诉 AI 你想要的输出格式，可以极大地提升内容的可用性。常用的格式指令包括：用 Markdown、输出为 JSON、以表格展示、用编号列表、每条不超过 X 个字等。尤其是需要将 AI 输出用于程序处理时，格式限定几乎是必须的。

6. 迭代优化

提示词很少能一次就达到完美效果。把第一次的输出看作"草稿"，分析哪里不符合预期，然后针对性地修改提示词，再次运行。每一轮迭代都能让你更接近理想结果，也能帮助你积累经验，形成自己的提示词模板库。

好提示词 vs 差提示词对比

通过对比可以更直观地感受提示词质量带来的差异：

❌ 差提示词：
帮我写个邮件。

✅ 好提示词：
请以销售经理的口吻，给一位潜在的企业客户写一封跟进邮件。背景是上周我们进行了一次产品演示，对方表示感兴趣但还没有做出决定。邮件需要：1）回顾演示中对方最感兴趣的功能；2）提供一个限时免费试用的邀请；3）语气专业但不失亲切；4）字数控制在200字以内。

❌ 差提示词：
解释机器学习。

✅ 好提示词：
请用高中生能听懂的语言解释机器学习的基本概念。不要使用数学公式，用生活中的具体例子（比如推荐系统或垃圾邮件过滤）来类比说明，最后列出3个机器学习在日常生活中的实际应用场景。

进阶：链式提示（Chain of Thought）

链式提示（Chain of Thought，简称 CoT）是一种让 AI 在得出最终答案之前，先展示中间推理过程的技术。研究表明，当 AI 被要求"一步步思考"时，它在处理复杂逻辑推理、数学计算和多步骤决策问题时的准确率会显著提升。

触发链式思维的常用指令包括：

• 请一步一步地思考这个问题。
• 在给出答案之前，先分析各种可能性。
• 请展示你的推理过程。
• Let's think step by step.（英文效果尤为显著）

此外，还有一种"树状思维"（Tree of Thought）技术，可以让 AI 同时探索多条推理路径，最终选择最优答案，适用于需要创意发散或多方案比较的场景。

常用提示词模板

以下是一些可以直接套用的通用模板，根据需要填入方括号中的内容即可：

内容创作模板：

你是一位专注于[领域]的[职业/角色]。
请为[目标受众]撰写一篇关于[主题]的[内容类型]。
风格要求：[正式/轻松/专业/幽默]。
字数约为[X]字，重点突出[关键信息]，避免[禁忌内容]。

分析总结模板：

请阅读以下内容，并完成：
1. 用3句话总结核心观点
2. 列出文中提到的所有数据或事实（如有）
3. 指出文章的逻辑漏洞或不足之处（如有）
4. 给出你的综合评价

[在此粘贴你要分析的内容]

代码辅助模板：

你是一位经验丰富的[语言/框架]工程师。
请帮我[实现/修复/优化]以下代码：
[粘贴代码]

要求：
- 保持代码风格与原有一致
- 添加必要的注释
- 如有多种实现方案，请说明各自的优缺点

学习辅导模板：

我是一名[学习背景/水平]的学习者，正在学习[主题]。
请用我能理解的方式解释[具体概念]。
要求：
- 使用生活化的类比
- 给出一个具体的例子
- 最后提出2个能帮我检验理解的小问题

掌握提示词工程是一个持续学习和积累的过程。随着你与 AI 交互次数的增加，你会逐渐形成属于自己的提示词直觉。建议你建立一个个人的提示词模板库，把效果好的提示词记录下来，不断复用和改进。记住：好的提示词不是天生的，而是一次次迭代出来的。