提示词工程：“人越懒大模型越懒”

常被硅谷誉为“科技先知”的凯文·凯利（Kevin Kelly）在最新访谈提到：大模型能力很强，但它很“懒”，当你去问它们，它会给你最普通，最省力的答案，它有能力做出卓越回答，但你得不断引导、推动，逼它做出更好的回答，这本身也是一项技能。

说白了，懒的人 + 懒的模型，只能得到平庸的答案。

现在 AI 的卓越能力从不稀缺，稀缺的，是能把它逼出高水平答案的人 —— 也就是懂提示词工程的人。

这篇文章，我会从新手入门到高手实战，把提示词工程讲透，没有废话，全是能直接抄的干货，看完你再也不会只会写「帮我写个 XX」。

先上核心认知：为什么你的提示词没用？

你有没有过这种经历：

• 让 AI 写代码，结果跑起来全是 bug，改了 3 遍还是不对
• 让 AI 写产品文案，结果全是正确的废话，毫无亮点
• 让 AI 做数据分析，结果它自己瞎编数据，一本正经地胡说八道

你骂 AI 笨，其实是你给的指令太模糊了。

这就像你点外卖，只跟老板说「给我来份吃的」，老板只能给你上一份最不容易出错的蛋炒饭；但如果你说「来一份微辣的重庆小面，多放青菜，不要香菜，面煮硬一点」，老板才能给你上一份完全符合你预期的面。

提示词，就是你给 AI 下的「订单」。你的指令有多清晰，AI 的答案就有多精准。

新手救命篇：6 段式万能提示词模板（直接抄）

先给所有新手一个开箱即用的万能模板，我用了 2 年，覆盖 90% 的日常场景，不管是写代码、写文案、做分析，套进去就有用。

完整模板（直接填空用）

### 角色设定 ###
你是【专业身份】，具备【核心能力】，擅长【具体领域技能】，拥有【相关行业经验】。

### 背景与目标 ###
背景：【使用场景/受众/限制条件】
目标：【可量化的具体结果，如“生成3条150字以内的产品文案”“写一个Python排序函数”“完成1份用户增长分析”】

### 核心要求 ###
1. 【关键约束1，如“代码必须有完整注释，兼容Python3.8+”】
2. 【关键约束2，如“文案必须口语化，无专业术语，适合25-35岁职场人”】
3. 【关键约束3，如“所有数据必须标注来源，不得自行编造”】
以上3点必须严格遵守，以上3点必须严格遵守，以上3点必须严格遵守！

### 输出格式 ###
【指定格式，如“分点列出”“Markdown段落式”“JSON格式，包含xx字段”“Python代码块”】

### 错误兜底机制 ###
当我的输入缺少关键信息，或你无法完成需求时，必须先回复「请提供【具体缺失的信息】以继续」，不得自行假设条件、编造内容或生成不确定的回复。

### 反思自查 ###
生成内容后，请你先自行检查：
1. 是否完全满足核心要求，有没有违反约束
2. 是否达成了预设的目标，有没有偏离需求
3. 是否存在逻辑漏洞、事实错误或内容幻觉
确认无误后，再输出最终内容。

正反例对比，一眼看出差距

❌ 新手垃圾提示词：
帮我写个咖啡机的产品介绍

✅ 高手精准提示词（套模板）：

### 角色设定 ###
你是一名资深电商产品文案，具备8年家电类目文案经验，擅长抓用户痛点，用生活化的语言突出产品核心卖点，写出能让用户下单的爆款文案。

### 背景与目标 ###
背景：我们要在抖音电商推广一款便携咖啡机，目标受众是25-35岁的通勤职场人，他们早上时间紧张，想在办公室喝到现磨咖啡，讨厌速溶的口感，也觉得咖啡店太贵。
目标：生成3条150字以内的抖音口播文案，突出产品「30秒快速出杯」「巴掌大小不占地」「不用插电」的核心卖点。

### 核心要求 ###
1. 文案必须口语化，像和朋友聊天一样，不能有官方套话
2. 必须戳中职场人早上赶时间、想喝咖啡的痛点
3. 每条文案必须有明确的行动指令，引导用户点击小黄车
以上3点必须严格遵守，以上3点必须严格遵守，以上3点必须严格遵守！

### 输出格式 ###
每条文案单独成段，标注序号，结尾标注文案的核心亮点。

### 错误兜底机制 ###
当我的输入缺少关键信息，或你无法完成需求时，必须先回复「请提供【具体缺失的信息】以继续」，不得自行假设条件、编造内容。

### 反思自查 ###
生成后请检查：是否符合字数要求、是否戳中痛点、有没有违反核心要求，确认无误后再输出。

不用我说，你也能看出来，后者出来的文案，绝对比前者好 10 倍。

基础进阶篇：4 个必学的基础技术，让提示词效果翻倍

模板是骨架，下面这 4 个技术，就是给模板添肉的核心技巧，学会了，你就能应对绝大多数场景。

1. 零 / 单 / 少样本提示：给 AI 打个样，它就不会瞎写

很多人不知道，大模型是「示例驱动」的，你给它看正确的例子，它比谁都学得快。

• 零样本提示：不给示例，只给任务，适合简单的翻译、摘要等基础任务

• 示例：把下面这句话翻译成英文：提示词工程是和AI高效沟通的核心技能

• 单样本提示：给 1 个示例，适合格式特殊、风格明确的任务示例：

  请把下面的句子改成小红书风格：
  原句：这个粉底液很服帖，不卡粉
  小红书版：救命！这个粉底液是什么磨皮神器啊！上脸巨服帖，带妆一天都不卡粉，黄皮姐妹直接冲！
  原句：这个保温杯保温效果很好，小巧便携
  小红书版：
  

• 少样本提示：给 3-5 个示例，适合分类、数据抽取、复杂格式生成等任务，效果最好示例：

  请把下面的用户评论，按情感分类为【正面】【中性】【负面】：
  评论：这个键盘手感超好，打字声音很小，太适合办公室用了
  分类：正面
  评论：快递有点慢，东西还行，没什么惊喜
  分类：中性
  评论：用了3天就坏了，客服也不理人，避雷！
  分类：负面
  评论：颜值很高，但是续航太差了，一天要充3次电
  分类：
  

划重点：示例的质量，比数量重要。1 个精准的示例，比 10 个模糊的示例有用。

2. 结构化输出：让 AI 的答案能直接用，不用二次修改

新手最容易犯的错：不指定输出格式，结果 AI 给你写了一大段流水账，你还要自己复制粘贴、整理格式，反而增加了工作量。

高手的做法：明确指定输出格式，甚至定义好字段，让 AI 的输出能直接对接你的系统、直接用。

最常用的 2 种格式：

1. Markdown 格式：普通对话、文案、大纲、报告，用这个最方便，指定好标题、分点、表格等
2. JSON 格式：数据抽取、代码调用、Agent 工具调用，用这个最稳妥，能有效防止幻觉，还能直接被程序解析

这里给大家一个可直接落地的工程化方案：用 Pydantic 强制校验结构化输出，彻底解决 AI 输出格式不稳定的问题。

from pydantic import BaseModel, EmailStr, Field, ValidationError
from typing import List, Optional
from datetime import date

# 1. 先定义数据模型，相当于给AI定好输出的“规矩”
class UserInfo(BaseModel):
    name: str = Field(..., description="用户的真实全名")
    email: EmailStr = Field(..., description="用户的合法邮箱地址")
    age: Optional[int] = Field(None, description="用户年龄，必须大于0", ge=1)
    tags: List[str] = Field(default_factory=list, description="用户的标签列表")

# 2. 把模型定义写进提示词，让AI严格按这个输出JSON
prompt = f"""
从下面的文本中提取用户信息，严格按照JSON格式输出，必须符合以下Pydantic模型定义：
{class UserInfo.__doc__}
字段说明：
{[f"{field.name}: {field.description}" for field in UserInfo.__fields__.values()]}

文本：
“我叫张三，邮箱是zhangsan@example.com，今年28岁，喜欢编程、跑步和看电影，是个后端开发工程师。”

输出要求：只输出JSON字符串，不要其他任何解释内容。
"""

# 3. 拿到AI的输出后，直接用Pydantic校验，格式不对直接报错，避免后续程序崩掉
llm_output_json = """
{
    "name": "张三",
    "email": "zhangsan@example.com",
    "age": 28,
    "tags": ["编程", "跑步", "看电影", "后端开发"]
}
"""

try:
    user_data = UserInfo.model_validate_json(llm_output_json)
    print("数据校验通过！")
    print(f"用户名：{user_data.name}，邮箱：{user_data.email}")
except ValidationError as e:
    print(f"AI输出格式错误：{e}")

这个方法，是我在做 Agent 开发时必用的，能彻底解决 AI 输出格式乱的问题，让你的程序能稳定对接 AI 的输出。

3. 分隔符使用：让 AI 精准读懂你的指令，不会混淆内容

很多人写提示词，把指令、上下文、输入内容全堆在一起，AI 很容易搞混：到底哪些是指令，哪些是要处理的内容？

解决方法很简单：用分隔符，把不同的内容清晰分开。

常用的分隔符：

• 三重反引号 ```：用来包裹要处理的文本、代码，最常用
• XML 标签 ”：适合复杂的多模块提示词
• 分割线 ---：用来分隔不同的模块，比如模板里的不同章节

反例：
帮我总结下面的文章，重点讲用户增长的部分。文章内容：xxxxxx 还有，不要超过300字，用分点的方式。

正例：

### 指令 ###
帮我总结下面的文章，要求：
1. 重点突出用户增长的核心策略
2. 不超过300字
3. 用分点的方式输出

### 待处理文章 ###
xxxxxx（文章全文）

就这么一个简单的改动，AI 理解指令的准确率，能提升 80%。

4. 正面指令优先：别只说 “不要什么”，要说 “要什么”

新手常犯的第二个错：只会给负面约束，不说清楚自己到底要什么。

比如你写：不要写得太官方，AI 根本不知道 “不官方” 到底是什么，是口语化？还是年轻化？还是接地气？

正确的做法：把负面约束，转化为正面的、具体的指令。

表格

错误的负面指令	正确的正面指令
不要写得太官方	用职场人接地气的口语化表达，像和同事聊天一样
不要有 bug	代码必须经过边界条件校验，有完整的异常处理，兼容 Python3.8+
不要编造数据	所有数据必须来自公开的行业报告，标注清楚数据来源和发布时间

记住：AI 更擅长 “做什么”，而不是 “不做什么”。正面指令越具体，AI 的输出越符合你的预期。

高手推理篇：让 AI 从 “人工智障” 变 “逻辑大神” 的核心技术

前面的基础技术，能解决 80% 的日常场景。但如果你要让 AI 做复杂的数学计算、逻辑推理、方案规划，就需要下面这些进阶技术，能让 AI 的推理能力直接上一个台阶。

1. 思维链（Chain of Thought, CoT）：让 AI 一步一步想，就不会算错

大模型做数学题、逻辑题很容易错，不是它不会，而是它懒得想，直接给你一个最省力的答案。

思维链的核心，就是强制让 AI 把中间的推理步骤说出来，模拟人类思考的过程，一步一步推导，而不是直接给答案。

它有两种最常用的用法：

• 零样本 CoT：最简单，只需要在提示词结尾加一句「让我们一步一步来思考」，就能让很多复杂问题的准确率翻倍。示例：

  一个商店卖苹果，5元1斤，买3斤送1斤。小明买了12斤苹果，最少要花多少钱？让我们一步一步来思考。
  

• 少样本 CoT：给 AI 几个带推理过程的示例，让它学习这种思考方式，适合更复杂的推理任务。示例：

  Q：3个连续的整数，和是45，这三个数分别是多少？
  A：让我们一步一步思考：
  1. 设第一个整数为x，那么第二个是x+1，第三个是x+2
  2. 三个数的和是x + (x+1) + (x+2) = 3x + 3 = 45
  3. 解方程：3x = 42，x=14
  4. 所以三个数是14、15、16
  最终答案：14、15、16
  
  Q：一个长方形的周长是40厘米，长是宽的3倍，这个长方形的面积是多少？
  A：让我们一步一步思考：
  

我做过测试，同样的数学逻辑题，加了思维链之后，GPT-3.5 的准确率从 40% 提升到了 82%，效果极其明显。

2. 自洽性（Self-Consistency）：让 AI 多算几遍，取最靠谱的答案

思维链能提升准确率，但还是有可能一次算错。自洽性，就是思维链的进阶版：让 AI 对同一个问题，生成多条不同的推理路径，然后取出现次数最多的答案，作为最终结果。

就像你做数学题，会多算几遍，确保答案是对的。AI 也一样，多算几次，就能把偶然的错误过滤掉。

举个例子：

• 问题：“所有的鸟都会飞，这个说法对吗？”
• 第一次推理：大多数鸟都会飞，所以这个说法是对的
• 第二次推理：企鹅、鸵鸟都是鸟，但它们不会飞，所以这个说法是错的
• 第三次推理：大部分鸟会飞，但有例外，所以这个说法不对
• 最终结果：2 次认为是错的，1 次认为是对的，取多数结果，最终答案是 “不对”

这个方法，特别适合数学计算、逻辑判断、常识问答等需要高准确率的场景，唯一的缺点就是会多消耗一些 Token，但是换来的准确率提升，绝对值得。

3. 思维树（Tree of Thoughts, ToT）：让 AI 并行探索多个方案，找到最优解

思维链是线性的，一步一步往下推；而思维树，是让 AI 像树一样，从一个核心问题出发，并行生成多个思考分支，每个分支再往下探索，最后评估每个分支的可行性，找到最优解。

它特别适合需要创意、多方案评估、复杂规划的场景，比如写方案、设计剧情、做产品规划、解决复杂的工程问题。

举个示例提示词：

### 角色设定 ###
你是一名资深产品增长专家，擅长设计多维度的用户增长方案。

### 目标 ###
为一款职场人效率APP，设计3个完全不同的用户增长方案，每个方案要有完整的执行路径和预期效果。

### 要求 ###
1. 先从核心问题出发，生成3个完全不同的增长方向分支
2. 每个分支下，再拆解具体的执行子分支，形成完整的方案
3. 最后评估每个方案的可行性、成本和预期效果，选出最优方案
4. 用思维树的结构，清晰展示每个分支的内容

用这个方法，AI 再也不会给你一个平庸的、千篇一律的方案，而是能给你多个不同维度的思路，帮你找到最优解。

工程化实战篇：Agent 开发必备的提示词技术

如果你要做 AI Agent 开发，那下面这几个技术，是你必须掌握的，它们能让你的 Agent 从 “玩具” 变成 “能干活的工具”。

1. ReAct 框架：让 Agent 像人一样，边思考边行动

ReAct（Reason & Act，推理与行动），是现在 Agent 开发最主流的框架，它的核心是让 AI 模拟人类的思考过程：先思考要做什么，再执行对应的行动，拿到结果后再思考下一步，循环往复，直到完成任务。

举个最经典的示例：

### 角色设定 ###
你是一个能调用工具的AI助手，你可以使用以下工具：
1. search：网页搜索工具，参数是query（搜索关键词），用来获取实时的、最新的信息
2. get_weather：天气查询工具，参数是city（城市名），用来获取指定城市的实时天气

### 执行规则 ###
你必须严格按照「思考→行动→观察」的循环执行：
1. 思考：先想清楚当前要解决的问题，是否需要调用工具，调用哪个工具，参数是什么
2. 行动：严格按照格式输出工具调用，格式是：`工具名|参数`
3. 观察：我会给你返回工具执行的结果，你再根据结果进行下一步思考
只有当你确定已经获取了所有需要的信息，能完整回答用户的问题时，才能输出最终答案。

### 用户需求 ###
北京今天的天气怎么样？适合穿什么衣服？

AI 的执行过程：

思考：用户需要知道北京今天的天气和穿衣建议，首先需要调用get_weather工具，获取北京的实时天气数据。
行动：get_weather|北京
观察：北京今日天气：晴，气温8-18℃，西北风3级，空气质量优。
思考：已经获取了天气数据，现在需要根据气温给出穿衣建议，不需要再调用工具，可以输出最终答案了。
最终答案：北京今天晴，气温8-18℃，西北风3级，空气质量优。建议穿薄外套+长袖内搭，早晚温差大，注意保暖。

这个框架，是所有能调用工具、能和外部系统交互的 Agent 的核心，掌握了它，你就能做出真正能落地的 AI 应用。

2. 检索增强生成（RAG）：让 AI 不说谎，只说真话

AI 最大的问题，就是 “幻觉”—— 一本正经地编造事实、数据、内容。RAG（检索增强生成），就是解决这个问题的核心方案。

它的逻辑很简单：用户提问后，先从你的私有知识库、文档库中，检索到和问题相关的真实内容，然后把这些内容作为上下文，和问题一起喂给 AI，让 AI 只能基于检索到的真实内容回答问题，不能自己瞎编。

提示词示例：

### 角色设定 ###
你是一个专业的文档问答助手，只能基于下面提供的参考文档内容回答问题，不得编造任何文档里没有的信息。

### 参考文档 ###
[这里放检索到的文档内容]

### 回答规则 ###
1. 所有答案必须严格来自参考文档，不得添加任何文档外的信息
2. 如果参考文档里没有相关内容，必须回复「参考文档中没有相关信息，无法回答」，不得自行编造
3. 回答要简洁准确，引用文档中的原文内容，不要过度解读

用了 RAG 之后，AI 的幻觉问题能减少 90% 以上，这也是现在企业级 AI 应用的标配技术。

3. 提示词 A/B 测试：找到最优的提示词

提示词工程不是一劳永逸的，同一个需求，不同的提示词写法，效果天差地别。所以，A/B 测试是必须的。

怎么做？很简单：

1. 针对同一个需求，设计 2 个不同版本的提示词，A 版和 B 版，只改变一个变量（比如有没有加角色、有没有加示例、有没有用思维链）
2. 用相同的 10-20 个测试用例，分别测试两个版本的提示词
3. 设定好评估指标（比如准确率、格式符合率、用户满意度），对比两个版本的效果
4. 保留效果好的版本，继续优化，迭代下去

举个例子：

• A 版提示词：帮我写产品介绍
• B 版提示词：你是资深电商文案，帮我写一个面向25-35岁职场人的便携咖啡机产品介绍，突出30秒快速出杯、小巧便携的卖点，150字以内
• 测试结果：B 版的用户点击率、转化率，比 A 版高 300%

只有通过 A/B 测试，你才能找到真正适合你的场景、效果最好的提示词，而不是靠感觉写。

避坑指南：新手最容易犯的 7 个错误

1. 指令模糊，只说 “帮我写个 XX”，不说清楚具体要求：这是最核心的错误，你的指令有多模糊，AI 的答案就有多敷衍。
2. 只给负面约束，不给正面指令：AI 不知道 “不要什么” 的反面是什么，一定要把负面约束转化为具体的正面要求。
3. 不指定输出格式：结果 AI 给的内容没法直接用，还要二次整理，反而增加工作量。
4. 上下文太多，不做分隔：AI 分不清哪些是指令，哪些是要处理的内容，很容易理解错需求。
5. 过度依赖零样本，不给示例：示例是最好的引导，一个好的示例，比 10 句解释都有用。
6. 不做错误兜底：遇到 AI 处理不了的情况，它就会瞎编，一定要加错误兜底机制，让它问你要信息，而不是自己假设。
7. 觉得一次就能写好，不做迭代：提示词工程是迭代出来的，再好的模板，也要根据输出结果不断优化，才能达到最好的效果。

最后想说的话

很多人说，现在大模型越来越聪明，提示词工程很快就会被淘汰。

我完全不认同。

恰恰相反，未来大模型的能力越强，提示词工程就越重要。因为大模型的能力上限越来越高，能做到的事情越来越多，而能不能把它的能力榨出来，完全取决于你能不能给它清晰、精准、有效的指令。

就像同样是一把手术刀，在普通人手里，就是一块废铁；在外科医生手里，就能救死扶伤。提示词工程，就是你用好 AI 这把 “手术刀” 的核心技能。

未来，人和人之间的差距，很大程度上，就是使用 AI 的效率差距。而提示词工程，就是拉开这个差距的第一步。

关注我，带你把 AI 的能力，彻底榨干。