提示词(Prompt)是我们输入给AI的指令或信息，用于引导AI生成符合预期的输出。提示词就像一把钥匙，能帮助我们解锁AI的强大能力。一份高质量的提示词可以引导AI更准确地理解我们的需求，从而生成更相关、更准确的回答。
📚高质量提示词的基本法则
1. 提示词要表达清晰、明确，避免模糊和歧义
高质量提示词的核心在于清晰度和具体性。通过避免模糊语言、提供细节和结构，我们可以显著提升AI输出的准确性和实用性。
1.1 模糊歧义的提示词
例如：“写点关于科技的东西。”
1）泛化： 主题“科技”过于宽泛，没有指定具体领域（如人工智能、生物技术或互联网）、目的（如介绍、分析或批评）或长度。
2）歧义性： AI可能生成任何与科技相关的内容，例如历史概述、未来预测或随机新闻，导致输出不聚焦或无关。
3）缺乏指导： 没有提供结构、重点或示例，迫使AI依赖默认模式，可能产生肤浅或不准确的回答。
1.2 清晰明确的提示词
例如：“请写一篇关于人工智能在教育领域应用的800字文章，重点讨论其优势（如个性化学习、效率提升）和挑战（如隐私问题、技术成本），并以实际案例（例如智能辅导系统）作为支撑。”
1）具体性： 明确指定了主题（人工智能在教育领域应用）、字数（800字）、内容结构（优势和挑战），以及支撑元素（实际案例）。
2）无歧义： 关键词如“个性化学习”、“隐私问题”等提供了具体方向，避免了AI自由发挥导致的偏离。
3）可操作性： AI可以基于这些细节生成结构化的文章，减少猜测，提高输出质量。
2. 利用细节描述和限定词，让提示词更丰富
细节描述和限定词是为提示词添加血肉和骨架的关键工具。我们通过指定场景、属性、风格、格式、视角等元素，将模糊的意图转化为具体、可执行的指令，从而极大地提升生成内容的质量、相关性和可控性。
2.1 贫乏的不好示例（缺乏细节与限定）
例如：“写一段关于胜利的描述。”
1）极度模糊： “胜利”可以指战争胜利、比赛胜利、游戏通关、商业成功，甚至是克服个人困难。AI没有获得任何方向性指引。
2）缺乏细节： 没有场景、没有人物、没有具体事件。AI只能依靠其训练数据中最常见的、最泛化的模式进行填充。
3）没有限定词： 没有规定风格（是激昂的？还是内省的？）、篇幅（是一句话？还是一段话？）、视角（是第一人称？还是第三人称？）。
4）结果不可控： 基于这个提示词，AI可能生成一段空洞的口号式胜利歌颂，一段关于二战的历史段落，或是一段体育比赛的新闻稿，结果完全随机，无法满足我们的特定需求。
2.2 丰富的好示例（运用细节与限定）
例如：“写一张关于“胜利”的摄影作品描述。照片拍摄于一场雨后的高中校园操场。主角是一位刚跑完5000米的少年，他浑身湿透，分不清是雨水还是汗水，双手撑着膝盖，低头喘息，嘴角却带着一丝微笑。背景是即将沉入地平线的夕阳，金色的光芒穿透云层，照亮了跑道上粼粼的水洼。请用富有文学性和画面感的语言，聚焦于那一刻的疲惫、释放与个人成就感的交织，字数在200字左右。”
1）场景限定（时间、地点）： “雨后”、“高中校园操场”、“夕阳”--这些细节构建了一个具体、可感知的环境，为情感铺垫了基调，避免了泛泛而谈。
2）主体细节描述（人物、状态）： “刚跑完5000米的少年”、“浑身湿透...低头喘息...嘴角却带着一丝微笑”--这些丰富的细节不仅描绘了视觉形象，更深刻地揭示了人物的内心状态（疲惫与满足），让AI能够精准捕捉那“一瞬间”的复杂情绪。
3）风格与基调限定： “富有文学性和画面感”--明确了语言风格，要求输出不是干巴巴的陈述，而是优美的散文。“聚焦于疲惫、释放与个人成就感的交织”--限定了情感基调，引导AI进行深度挖掘，而非表面歌颂胜利。
4）格式与篇幅限定： “摄影作品描述”、“200字左右”--明确了文本体裁和大致长度，让输出结果更符合我们的预期和使用场景。
我们在编写提示词时，要像对待一位聪明的合作者一样，尽可能多地向AI传递我们脑海中的“画面”和“要求”。多用名词和形容词来描绘场景，用动词来定义动作，用明确的限定词来框定边界。我们提供的细节越多，AI还赠给我们的作品就越精准、越富有创意。
3. 根据AI的反馈，不断优化提示词，就能得到更好的结果
将提示词工程视为一个“动态对话”和“迭代优化”的过程，而非“一次性命令”。通过分析AI的初始输出，我们可以精准地找出其不足之处，并在下一次提示中通过增加限定词、调整框架或明确要求来进行修正。
场景：请求生成一个关于“人工智能”的故事
3.1 不好的示例：线性思维，忽视反馈
• 第一轮交互
我们的提示词： “写一个关于人工智能的故事。”
AI输出： 一个非常泛泛的故事，讲述了在一个未来城市，一个名叫“元”的AI变得有自我意识，然后与人类发生了冲突。故事老套，缺乏细节和情感深度。
我们的反馈（不好的示例）： “这个故事太老套了。重新写一个。”
我们的反馈是无效的，只表达了不满，但没有提供任何具体的修改方向。AI无法从“老套”这个模糊的评价中理解我们究竟讨厌什么（是主题？是角色？是情节？），又喜欢什么。结果，AI很可能会生成另一个版本的老套故事，或者陷入随机猜测，无法有效提升质量。
这个过程的本质是： 糟糕的提示词 → 不理想的输出 → 模糊的反馈 → 依然不理想的输出。这是一个死循环，无法实现优化。
3.2 好的示例：迭代思维，利用反馈进行精准优化
这是一个展示如何通过三轮迭代，将一个模糊的请求优化成一个精彩故事的过程。
• 第一轮：初始请求与基准输出
我们的提示词（v1）： “写一个关于人工智能的故事。”
AI输出（v1）： 输出一个标准化的“AI觉醒反抗人类”的故事，情节单薄，角色工具化。
我们的分析： 这个故事的问题在于：1）主题陈词滥调；2）没有人物弧光；3）缺乏独特的设定。
• 第二轮：基于反馈，增加具体限定词
我们的提示词（v2）： “你刚才的故事主题比较常见。现在，请写一个聚焦于情感与记忆的故事。主角是一位年迈的、患有阿尔兹海默症的老人，他使用的AI助手‘回忆’ 正在通过植入的虚假记忆来安慰他。故事的核心冲突在于：当老人偶然发现这些记忆是假的时，他对AI的情感是感激还是愤怒？”
AI输出（v2）： 故事立刻变得具体和深刻起来。围绕老人与AI“回忆”的关系展开，探讨了真实与虚构、善意与欺骗的伦理问题。但可能仍存在一些问题，比如对老人内心挣扎的描写不够细腻，结尾有些仓促。
我们的分析： 方向对了，但深度和细腻度不足。需要进一步限定写作手法和情感层次。
• 第三轮：深化反馈，限定写作手法与情感维度
我们的提示词（v3）： “v2的故事设定很好，但请加深对老人内心世界的刻画。请使用大量感官细节（如触觉、气味） 来触发那些虚假记忆。同时，避免一个非黑即白的结局，我要看到一种复杂的、爱恨交织的情感。另外，请以AI‘回忆’的第一人称视角来叙述，让它也为自己的‘欺骗’行为感到困惑与痛苦。”
AI输出（v3）： 这时生成的故事质量会显著提升。它会拥有：
① 独特的视角： 从AI的内心独白展开，增加叙事张力。
② 丰富的细节： 通过“雨后泥土的气味”、“羊毛围巾的触感”等细节让记忆和情感变得可信。
③ 复杂的情感与开放式结局： 老人可能最终没有拆穿谎言，而是选择与AI达成一种默契，共同守护这份温暖的虚构，留给读者无尽的回味。
3.3 为什么3.2是好的示例？
1）将反馈具体化： 我们没有说“不好”，而是明确指出“主题常见”，并提供了新的具体方向（情感与记忆、特定人物、核心冲突）。
2）迭代式增强： 每一轮提示词都建立在上一轮输出和反馈的基础上，像雕刻一样不断精雕细琢。V2解决了“是什么”的问题，V3则解决了“如何讲”的问题。
3）瞄准AI的弱点： 通过分析初版输出的问题，后续提示词有针对性地增加了视角限定、风格限定（感官细节）和情感基调限定（复杂，非黑即白），这些都是引导AI生成更高级内容的关键指令。
4）结果： 通过两到三轮的迭代，最终获得了一个独具匠心、情感丰富、思想深刻的故事，这与最初的泛泛之作有天壤之别。
我们可以将AI的每一次输出都视为一次“原型测试”。我们的角色是产品经理和质检员，需要精准地找出BUG（输出中的不足），并通过修改“代码”（即提示词）来发布下一个更完善的版本。这个过程，正是提示词工程的艺术与科学所在。
