很多人抱怨「AI 答得不好」,但很多时候问题不在模型,而在提示词。同一个 GPT、Claude,一个含糊的提问和一个精心构造的 Prompt,输出质量可能差一个量级。Prompt 工程,就是这门「把需求说清楚」的手艺。本文给出 6 个立即可用的实战技巧。
一、明确角色与目标
开场先给模型「设定身份」。与其问「帮我写个方案」,不如说「你是一位有 10 年经验的产品经理,请为一款面向小企业主的财务软件写一份一页纸的立项方案,目标是说服管理层投入资源」。角色设定能调取模型脑中对应领域的「知识分布」,目标明确则收敛输出方向。
二、给出约束条件
不说约束,模型会自由发挥。明确告诉它:
- 篇幅(如「不超过 500 字」)
- 格式(如「用 Markdown,分三部分」)
- 受众(如「面向完全不懂技术的老板」)
- 语言风格(如「口语化、简洁」)
- 必须包含 / 避免的内容
三、提供示例(Few-shot)
很多时候,一个例子胜过千言万语。给出一个「输入 → 理想输出」的样例,模型会照着你的口味模仿。这叫少样本学习。示例越贴近你的真实场景,效果越好。
四、让模型「先思考再回答」
遇到复杂问题,直接让它给结论容易出错。可以要求它「一步步推理,把思考过程写出来」,或先让它「提出你的疑问,如果信息不足请指出」。引导模型进行 Chain-of-Thought(思维链)推理,能显著提升准确率,尤其适合逻辑题、数学题和需要多步分析的任务。
五、迭代而非一次成型
Prompt 几乎不可能一次写完美。正确姿势是:写一版 → 看输出 → 针对不满意的地方修改约束或补充示例 → 再试。把跑得好的 Prompt 存下来,逐渐沉淀成自己的「提示词库」。
六、拆解复杂任务
一个特别复杂的任务,不如拆成几个简单 Prompt 串联。先让它「提取要点」,再让它「基于要点写摘要」,再让它「改写成口语」。每步任务单一,模型出错率更低,结果也更可控。
小结
Prompt 工程的核心不是玄学,而是把需求表达得具体、可验证。角色、目标、约束、示例、思维链、迭代——记住这六个关键词,你就能把大部分模型的水平稳定地调高一个档次。
