提示词工程 101:让 AI 输出更好结果的入门指南
2026年9月22日
「提示词工程」听起来像是一项专业技术,但真正能提升 AI 输出质量的东西,大多归结为几个任何人都能在一个下午学会的习惯。它们都不是什么技巧或魔法咒语——它们之所以有效,是因为语言模型实际处理指令的方式,理解「为什么」能让你更容易持续用好它们。
为什么具体明确比耍小聪明更重要?
模型接触不到你脑子里的上下文——它只有你实际打出来的那些字。「写点关于我们产品的东西」让模型去猜测你的语气、受众、篇幅和目标,而它只会猜出一个说得过去、但很泛泛的答案。「为小企业主写一篇 100 字的领英帖子,宣布我们的产品上线,语气自信但不要太推销,结尾用一个问题收束」几乎去掉了所有这些猜测。具体明确不是一种文风偏好,而是在直接提供模型需要、却原本没有的信息。
为什么举例比写更长的指令更能改善输出?
抽象地描述想要的风格(「写得干脆利落、专业一点」)本身就存在歧义——「干脆利落」和「专业」对不同的人意味着不同的东西,模型只能去猜你指的是哪一种。提供一两个你想要的确切风格、格式或语气的例子,能把模型锚定在一个具体的东西上,而不是一个抽象的描述,这始终比堆砌越来越多的形容词去描述目标风格更可靠。
给模型设定一个角色或人设,实际上能起到什么作用?
把一个请求包装成「你是一位经验丰富的税务会计师,正在向第一次报税的人解释这件事」,实际上做了两件事:把可能的回答空间收窄到该领域的惯例和词汇上,并且隐含地设定了合适的语气和默认知识水平,省去了你另外逐一说明这些的功夫。这是一种压缩编码受众和专业水平信息的紧凑方式,否则你得用好几句话才能明确说清楚。
为什么把一个复杂请求拆成几个步骤,比一次性写一个大提示词效果更好?
一个又密又长的提示词,要求模型同时完成调研、分析和格式化输出,会迫使模型同时兼顾多个目标,其中任何一个的质量都可能因此受损。把同样的请求拆成连续的几步——先梳理结构大纲,再逐节起草,最后审阅打磨——能让模型每次只专注于一个目标,也能让你在中间产出的问题累积成最终结果之前就先审阅和纠正。这一点对真正复杂的多部分任务最有意义;简单请求用不着这么做。
告诉模型「不要做什么」到底有没有用,还是只会把它搞糊涂?
否定式指令(「别用企业黑话」「别写结论段」)是有用的,但通常不如正面描述你想要什么的指令可靠,因为模型终究还是要生成点什么,而「不存在什么」比「存在什么」更难瞄准。「别太正式」是比「用一种随意、聊天式的语气写,就像跟朋友解释一样」更弱的指导——后者给了模型一个具体的靶子去瞄准,而不只是一条要避开的边界线。
为什么模型给出的第一版草稿很少就是成品?
对于任何一个不那么简单的提示词,模型的第一次回复都是它在还没看到你反应之前,对同时满足你所有指令做出的最佳猜测。把第一版输出当作一份可以继续迭代的草稿,而不是一个要么全盘接受、要么全盘否定的最终答案,始终更有成效:具体指出哪里不对(「再短一点」「多一些具体例子」「删掉第二段」)并要求修改,通常比第一次就试图写出完美提示词更快接近你真正想要的结果。