我最早开始用大模型的时候特别迷信网上的“神秘咒语”总觉得只要找到某个神奇的说法AI 就能点石成金。后来自己天天在生产环境里调 Prompt才慢慢承认一个事实提示词工程不是“咒语学”它是把人的意图翻译成模型可执行约束条件的一整套方法。这篇文章我把过去一年实战里验证过的最有效的 10 个提示词技巧一次讲透每个技巧都配了正反示例和能直接复制的模板同时会聊到最近热度很高的“上下文工程”以及一些实测里容易翻车的细节。内容可能有点长但适合所有想真正把大模型用起来的人尤其是每天都要和模型打交道的内容创作者、程序员和产品经理。我先把底层的两个概念搞清楚再上技巧和模板这样你看后面的例子不会觉得单个技巧都是孤立的。1. 先搞懂模型在想什么提示词工程与上下文工程的底层逻辑1.1 提示词工程不是“咒语学”而是约束条件的艺术大模型本质上是一个概率预测器。你给它一段文本它根据训练阶段学到的统计规律预测下一个最合理的 token 是什么。Prompt 的作用就是给这个预测过程提供约束条件。约束越明确、越结构化模型的“猜测”范围就越小输出就越贴合预期。举个例子。你让模型“帮我写一个产品介绍”模型面对的是一个几乎无限大的输出空间它只能随机挑一个“看起来像产品介绍”的东西给你往往非常空泛。但如果你说“帮我写一段 300 字的小红书风格产品介绍目标用户是 25-35 岁的职场女性语气轻松突出‘节省时间’这个核心卖点结尾带 3 个话题标签”模型的预测空间被大幅压缩输出自然稳定得多。注意我刻意说的是“压缩预测空间”而不是“增加关键词数量”。很多人以为提示词工程就是堆形容词“专业的、详细的、高质量的、完美的”全往里面塞。实际上这类词在训练数据里太常见了不会带来有效约束反而稀释了真正有用的信息。你可以把它们当作软性语气词但不要指望它们创造奇效。把这个逻辑搞清楚后面所有技巧才有落地的依据。1.2 上下文工程提示词工程自然进化的下一步“上下文工程”这个词最近越来越火有人直接说它就是提示词工程的进化版我很认同这个说法。二者的区别在于管理对象不同提示词工程管的是单条指令内部怎么组织上下文工程管的是整个对话环境里哪些信息该放进去、按什么顺序放、哪些信息要保留或丢弃。我常用后厨来类比。提示词工程是教你怎么给厨师写一张点菜单菜名、口味、忌口都写清楚上下文工程是教你怎么经营整个后厨食材怎么备、调料怎么摆、热菜和凉菜的制作顺序怎么统筹。点菜单写得再好后厨一片混乱出菜质量还是不稳定。放到实际使用里最简单的体现就是多轮对话。很多人打开一个会话就开始连续提问不问背景、不整理上下文等模型越聊越偏就怪模型“记忆不好”。其实模型没有长期记忆当前对话的上下文窗口就是它的全部工作记忆。你在这个窗口里放过什么信息、以什么顺序放直接影响每一轮的输出。1.3 为什么同样的模型别人用得就是比你好我观察过很多人的使用习惯差距不在“魔法词”而在信息投放的方式。普通用户提问“帮我写个方案。”模型只能自由发挥。而一个会用的用户会这样说“我们是一个 20 人团队的 SaaS 公司要做一个面向中小餐饮商户的会员运营方案预算 30 万周期 3 个月主推储值卡和消费积分功能请输出一份包含目标拆解、渠道选择、产品功能优先级和执行排期的方案。”同一个模型后者的输出质量几乎必然高出一大截。为什么因为提问者把思考成本前置了替模型答完了“背景、目标、边界、产出形式”这些问题。所以提示词工程最底层的逻辑是不要让模型猜你的意思。模型的训练目标决定了它会沿着最稳妥的方向补全当你提供的信息足够多它补全出来的东西才足够准。2. 10个Prompt技巧逐个拆解从角色设定到上下文投喂下面 10 个技巧是我从大量实战场景里筛出来的几乎每天都会用到。每个技巧都尽量给出正反示例方便你直接对照使用。2.1 先说清楚“你是谁、你要什么”角色设定与目标前置技巧一角色设定要写“视角”而不是只写“身份”。“你是资深文案专家”这种写法当然有用但作用有限。真正有效的是在身份后补充视角、经验立场和工作习惯基础版你是一位资深文案专家。升级版你是一位服务过美妆、快消、母婴三个行业的资深文案策划擅长用场景化细节调动用户情绪写产品文案时习惯先讲痛点再讲卖点语言通俗反感堆砌成语。为什么升级版更稳因为“资深”是空泛词不同模型、不同批次对这个词的理解都不一样。但你补上了“服务过的行业”“写作习惯”“反感什么”模型就能匹配到训练数据里对应的具体风格。实测下来升级版生成的文案在“像人话”这个维度上稳定性明显更好。模板可以这样套“你是[角色]服务过[行业/客户]擅长[风格]写[内容类型]时会先[特征动作]语言[调性]避免[禁忌]。”技巧二任务目标写在最前面背景信息放后面。人类阅读习惯是先看结论再看背景模型其实也有类似现象——很靠后的指令容易被前面长文本冲淡。很多人写 Prompt 喜欢先来一大段背景最后才说“所以帮我做一下那个”效果往往不好。把下面这段产品介绍改写成适合小红书发布的版本。原文……要求……背景……第一句就是“动词 对象”让模型立刻知道你要它干什么后面再补素材和要求。对长任务尤其管用我一向推荐所有复杂 Prompt 都以“任务句”开局。2.2 用示例和格式把输出锁死示例驱动与格式约束技巧三用示例代替抽象描述。这是回报率最高的技巧之一。你与其说“请给我一个专业的回复”不如直接给一个“我觉得这样挺好”的示例模型会模仿示例的语感、结构和深度。举个例子。你要让模型改一段脱口秀风格的文本不要只写“请用李诞的脱口秀风格改写”因为每个人对“李诞风格”的理解都不一样。你应该先给一段李诞式的文本当示例再附上要改写的原文“请参考这段示例的节奏、语气和笑点安排改写下面的文本。”一个高质量示例通常就能顶十句抽象描述。如果拿不准先给一个示例看输出效果再补第二个1-3 个示例完全够用给太多反而会把模型带偏。技巧四格式约束要具体到“什么格式”。如果你的输出需要被阅读、被复制、被程序解析请在 Prompt 里直接指定格式。用 Markdown 表格、用 JSON、用有序列表、每个条目包含哪几个字段这些都要写清楚。比如请列出上文提到的 5 个问题点用表格输出列名分别是问题、影响、可能原因、解决建议。模型对这种明确格式的遵守程度远高于你预期。尤其写代码和做数据处理时把 JSON Schema 或字段说明一给后续的解析成本能省一大半。格式约束在日常里的最大价值就是让 AI 的输出从“一篇文字”变成“一个接口”。技巧五限制条件前置不要藏在最后。字数上限、禁止事项、受众对象这些约束条件最好写在任务描述之后、素材粘贴之前而不是放在 Prompt 最后。原因很简单Prompt 越长末尾内容对输出的影响越小。很多人习惯结尾加一句“注意别写太长”结果模型照样长篇大论就是这个道理。把下面这段文本压缩成 200 字以内的摘要。要求不要修改事实不使用“赋能”“抓手”等黑话面向完全没有背景知识的读者正文中必须包含一个具体案例。素材……2.3 复杂任务的三个杠杆拆解、思维链和打分自评技巧六复杂任务先拆步骤一次只让模型做一步。“帮我策划一个完整的抖音账号运营方案”这种问题模型当然能直接答但结果往往大而全、每个模块都浮于表面。更聪明的做法是拆着问第一步先让模型列大纲你选方向第二步再让它针对其中一个模块细化。这种“分步走”的思路本质是把大模型当成一个“能力很强但需要引导的初级顾问”。你让它一口气做一个 20 页的方案它会偷懒你让它先做大纲、你挑完方向再做细节输出深度完全不同。技巧七让模型“先思考再回答”也就是思维链。涉及计算、逻辑推理、多因素权衡的任务在 Prompt 里加一句“请先列出你的推理步骤再给出结论”效果立竿见影。原因也很好理解模型逐步推理时每一步的预测空间都在缩小中间层的错误能被后续步骤修正准确率随之提升。比如问“北京到上海坐高铁和坐飞机哪个更划算”直接问可能得到一段含糊的“看情况”。但如果你说“请从时间成本、经济成本、便利性三个维度依次分析最后给出结论”模型就会按你搭好的框架走输出立刻清晰。注意如果你只要最终答案、不想看推理过程可以在 Prompt 结尾加一句“推理过程只作为内部思考最终输出只保留结论”。技巧九让模型给自己打分再重写。这里稍微跳一下顺序因为这个技巧和思维链一样都属于自我优化类。直接说“再写一版好一点的”往往等于没说模型只能换几个近义词。而让它先打分、再说明哪里不足、最后基于这些不足重写输出质量会稳定提升请为上面这个方案打分满分 10 分指出 3 个最明显的缺陷然后根据这些缺陷重新写一版。模型在“自我点评”时会调动它训练数据里关于评价标准的记忆等你让它重写时这些标准就变成了新的上下文约束。这比凭空说“更好”要具体得多。2.4 让模型在对话里持续变懂你修正反馈与上下文投喂技巧八不要急着重开对话直接在当前对话里纠正。大部分人看到输出不满意第一反应是“再开一个新对话重新问”这其实很浪费。大模型在当前会话里能读到全部聊天记录你的纠正本身就是最直接的上下文。与其开新会话从零开始不如直接说你上一步关于成本的分析有误问题不在人力而在供应链物流请基于这个修正重新输出成本部分的结论。这条纠正进入上下文后模型后续生成都会参考它效果比新开一个对话、把所有背景复述一遍要稳定得多。这也是很多人忽略的“免费的上下文工程”。技巧十主动投喂素材把上下文窗口当成输入资产。最后这个技巧其实是全套技巧的底座别让模型“闭门造车”。写分析报告时把你的笔记、数据、参考文章直接贴进去做方案时把对手的文案、用户反馈截图里的关键内容转成文字放进去。模型输出的质量不会超过它拿到信息的质量——这个规律在我大量实测里从来没失效过。但要注意不是把几十页资料一股脑全扔进去就好。上下文窗口虽然越来越大但信息过载同样会让注意力分散。更合理的做法是先自己筛出关键段落分批投喂或者先用一个会话让模型做资料摘要再把摘要带到正式任务里使用。这其实就是上下文工程在单任务里的落地方式。3. 拿来即用的模板库10个高频场景直接复制光说技巧还不过瘾我把 10 个最常见的场景模板整理在下面。设计思路是“填空式”——你不一定要严格照抄但把方括号里的内容填得越具体输出越稳定。3.1 内容创作与通用输出模板模板一通用高质量输出模板。这个模板几乎可以套用在所有内容生成场景核心是“角色 背景 任务 要求 素材”的五段结构【角色】你是一位[具体的角色描述例如有5年消费品经验的品牌营销顾问] 【背景】用2-3句话说清楚项目目标、当前阶段、关键约束条件 【任务】用一句话写清最终要的成果输出一份新品上市首月营销执行方案 【要求】 - 结构分目标、策略、渠道、排期四部分 - 篇幅不超过800字 - 语气客观、可执行不写空话 - 避免使用“赋能”“抓手”等黑话 【素材】相关笔记、数据、参考文章粘贴在这里模板二小红书/社交媒体种草文案模板。【角色】你是小红书平台的美妆生活类博主粉丝画像以20-30岁年轻女性为主 【任务】把下面的素材改写成一篇适合小红书发布的种草笔记 【要求】 - 标题不超过20字一眼能看到利益点 - 正文口语化第一人称加入真实使用场景 - 结尾3-5个话题标签 - 字数300字以内 - 避免硬广感、夸大功效词、专业术语堆砌 【素材】[待改写的原文或产品卖点]模板三翻译与润色模板。这个模板特别适合商务沟通核心是要求模型输出“直译版”和“润色版”两个版本既保留原意又提供地道表达。【角色】你是专业中英译员同时也懂商务沟通 【任务】把下面的内容翻译成[中文/英文]并润色成母语级别 【要求】 - 不逐字直译保留原意和语气 - 使用自然、地道的表达 - 原文如有文化梗或模糊措辞在括号里加注释 - 输出两版一版直译一版润色 【原稿】[待翻译文本]3.2 职场汇报与知识管理模板模板四工作周报/复盘模板。核心是“目标回顾—完成情况—数据结果—下周计划”。【角色】你是一位擅长结构化表达的职业发展教练 【任务】根据我提供的工作记录输出一份周报 【要求】 - 采用“目标回顾—完成情况—数据结果—下周计划”四段结构 - 每条完成事项按“动作结果数据”描述 - 总量不超过400字 - 语气客观、简洁、不夸大 【工作记录】[你的流水账想到什么写什么]模板五论文/报告精读模板。用途是快速理解一篇文献的核心贡献而不是代替阅读。【角色】你是一位学术写作导师擅长帮学生快速抓取论文核心贡献 【任务】阅读下面论文的标题、摘要和关键段落输出解读 【要求】 - 研究问题一句话说明作者要解决什么问题 - 核心方法不超过三句话说明方法的基本思路 - 关键实验列出最重要的2-3个实验结论 - 局限与启示作者局限以及对后续研究的可能启发 - 每部分不超过150字 【论文内容】[粘贴标题、摘要、核心段落]模板六产品需求文档PRD模板。适合产品经理做初稿再手动调整。【角色】你是一位有B端产品经验的产品经理 【任务】根据下面的需求描述输出一份PRD 【要求】包含用户故事、功能清单、交互流程、边界条件、埋点需求 【需求描述】[原始需求越具体越好]3.3 编程与数据分析模板模板七代码调试模板。核心是让模型“先给原因清单再给修复方案”避免它一上来就改代码。【角色】你是资深后端程序员熟悉Python/Java/Go擅长定位生产环境bug 【任务】帮我分析下面的代码为什么会出现[现象]并给出修复方案 【要求】 1. 先列出可能导致该问题的原因清单按可能性从高到低排列 2. 针对最可能的原因给出修改后的完整代码 3. 说明修改前后的行为差异 4. 如果问题可能出在数据或环境配置请明确指出需要检查的配置项 【代码】[粘贴代码]模板八SQL/数据分析模板。关键是交代清楚表结构、字段语义和业务问题。【角色】你是一名数据分析师擅长用SQL解决业务问题 【任务】根据下面的表结构和业务问题写出SQL查询语句 【业务背景】[说明这些数据是怎么产生的、覆盖哪些维度] 【业务问题】[你最终想看什么结果] 【表结构】[字段名和字段说明例如orders表iduser_idamountcreated_at]3.4 营销活动与创意发散模板模板九活动策划方案模板。覆盖主题、人群、玩法、物料、排期、预算、风险。【角色】你是线下零售行业的资深市场经理 【任务】针对[活动时间节点]策划一场以[活动目标]为主题的门店活动方案 【要求】方案需包含活动主题、目标人群、玩法设计、物料清单、时间排期、费用预算、风险预案 【背景】[门店位置、大概预算、历史活动情况]模板十头脑风暴模板。适合需要大量创意、再做筛选的场景。【角色】你是创意策划专家擅长发散思维熟悉[领域] 【任务】围绕[主题]进行头脑风暴给我至少15个角度独特的想法 【要求】 - 先给15个粗略想法每个不超过20字 - 挑出最有潜力的5个每个扩展成100字小方案 - 最后用“影响力/实现成本”矩阵给这5个方案排序这套模板库是我自己常用的精简版覆盖了文案、职场、编程、数据、活动、创意六个方向。你第一次用可能会觉得“要填的东西有点多”但填过两三次就会发现填得越多返工越少。4. 实测中容易翻车的细节与调优经验技巧和模板都是“术”实际操作中更容易踩坑的是下面这些反直觉的细节。4.1 “越详细越好”是误解信息过载同样翻车有一段时间我特别喜欢给模型喂大量资料总觉得信息给得少会亏。后来一个长文档分析任务翻车了我把一份 60 页的行业报告全文贴进去让模型做竞品分析结果它抓了一堆细枝末节核心结论反而模糊。原因不复杂。上下文越长模型注意力被稀释得越厉害越靠前的信息权重会下降。正确做法是“先摘要、再合并、后分析”。先让模型在几个会话里分别读报告的不同章节产出分节摘要再把摘要汇总进入正式分析。你也可以在第一轮就让模型“从这份报告里抽取与竞品相关的 20 个事实”先做信息浓缩再基于浓缩结果分析。信息密度比信息量重要这个原则在提示词工程里几乎放之四海而皆准。4.2 语气、人称和“礼貌词”到底有没有用“请”和“谢谢”到底有没有用我专门在不同模型上做过对比。结论是对人类反馈微调比较充分的模型友好语气有一点点正向影响但影响幅度远小于把任务目标写清楚。你完全不必担心自己“不够客气”会惹恼 AI它没有情绪只有概率。真正影响输出的是人称和指令强度。“请”字背后如果没有具体约束条件那就是空话而一句“你刚才的结论我不满意请重新分析注意把成本结构拆细一点”比十个“请”都管用。我个人写 Prompt 的习惯是不追求礼貌追求明确。用“把/请把/先/然后/不要”这类动词开头输出的可控性是最强的。4.3 采样参数与提示词是两套旋钮不能只拧一个提示词解决的是“说什么”采样参数解决的是“怎么说”。很多人辛辛苦苦调提示词却忘了看温度参数结果创意任务温度设在 0.1模型写出来永远四平八稳事实性任务温度设在 0.9模型每句都在胡编。我自己的经验数值大概是这样任务类型温度top_p说明代码生成/数据提取0.1-0.30.8-0.9低随机性保证确定性和语法正确事实性问答/分析0.3-0.50.9左右保留一定多样性但不乱编文案写作/创意发散0.7-0.90.9-1.0需要释放随机性才能出现惊喜提示词说“要有创意”温度却锁死在 0.1等于让一个脱口秀演员照着提词器朗读这是没用的。两套旋钮要一起调。4.4 模型版本升级后提示词也要“版本管理”很多人的提示词用了半年一年都不动模型早就升级了好几代。不同代际的模型对自然语言的理解能力差很多。旧模型可能真的需要你把每个步骤写得很死板新模型反而觉得过度约束导致输出僵硬。我现在的习惯是每次模型大版本升级都拿以前的几个核心模板过一遍看输出风格有没有变化再把那些“为了让旧模型理解而写的重复解释”删掉换成更接近自然语言的表达。这个习惯看起来不起眼但直接影响整个模板库的保鲜期。4.5 上下文工程的实战经验多轮对话的信息维护上下文工程说再多不如给几个落地动作。第一定期让模型总结对话。当一个会话已经聊了很长你可以在关键节点说“把到目前为止我们已经确认的背景和结论总结成 300 字清单”然后带着这个清单开新会话。这个过程等于主动清理缓存、保留有效信息和人类做会议纪要是一个逻辑。第二把核心约束放到固定位置。在一个长期使用的提示词库或系统提示词里我会专门设置一个“备忘录”区块把所有不能忘记的人名、数据、禁忌事项放进去。无论对话走到哪里只要我更新这个区块模型就会持续参考它。第三上下文快满时主动裁剪。长文档不复述全文只说“根据我们之前讨论中提到的 A 部分”旧结论不再重复只引用结论编号。这些动作看起来琐碎但正是上下文工程的核心不是让模型记住所有东西而是让它在有限的上下文窗口里始终知道当前最重要的信息是什么。最后再分享一个我自己的“提示词套娃”套路。如果某个任务我完全不熟悉根本不知道怎么设定角色、怎么组织背景我会先开一个会话问模型“为了完成 [任务]你希望我给你提供哪些背景信息你希望我以什么格式输出有哪些边界条件需要提前说明”模型会列出一份相当完整的清单覆盖很多我根本没想到的信息维度。然后我照单收集素材在另一个会话按清单组织 Prompt。这个方法不限领域、不限模型我管它叫“让 AI 帮你写提示词的提示词”实测对零基础处理陌生任务非常管用。希望这 10 个技巧和模板库能让你少走几个月的弯路。