提示词到底该怎么写？

导读

AI 可以理解为统计机器。输出与预期不符时，排查思路优先落在输入端：提示词本身，以及它触发的各类注入指令。写法上先让人看懂，再兼顾机器特性——标准版是八个板块，直觉版是发散、收敛、按输出格式验收。

什么样是好的提示词

符合人类直觉，符合机器特性

歧义、约束力、冲突、可验证、冗余，是 LLM 指令遵循失败的五个根本原因。

前三个落在人能凭直觉察觉的层面，后两个是机器特有的故障模式：

层面	对应的词	谁能先察觉
语义层	歧义	人凭直觉
作用域层	约束力	人凭直觉
执行层	可验证	人凭直觉
注意力竞争	冲突	只有机器
上下文窗口的物理限制	冗余	只有机器

这五个词放在一起，就成了一条约束指令：拿它去校验一条规则，能判断这条规则到底能不能被 AI 好好遵守。

我们写提示词，原则也是一样的。

首先，提示词要能让人类看懂。 因为模型是通过人类语料训练的。AI 的兼容性很强，提示词可以啰嗦，但别有遗漏。

这其实并不容易

其实我们大多数人说话，同类都听不懂。

其次，要兼顾 AI 的特性。 这就是网上的提示词模板越来越冗长的源头。

提示词八个板块

任务、上下文、角色、步骤、约束、示例、验收标准、输出格式

“提示词模板”为什么搞这么复杂

• 第一个是任务。 第二个是步骤。复杂是相对概念。这套框架对程序员并不晦涩，正如前文提到的「LLM 指令遵循失败的五个根本原因」，文字虽不直白，但程序员可以依靠直觉完成分析。

• 结构化提示词最早落地在高严谨度场景，例如学术论文、期刊与官方网站。

• 但市面上大量过度复杂的提示词体系，属于人为增加的复杂度：一方面来自培训方，简单内容难以支撑课程；另一方面来自部分内容创作者，自身认知有限，只能堆砌概念输出内容。

标准版：八个板块，直接给你

此处可以略读，但不要略过。

要有一个大概印象，结尾处会有一个相对友好的版本。

# 任务
请完成：【要办成的那件事】。
期望：先写目标，不先写角色；目标要具体、可执行。

# 上下文
背景：【现状 / 走到哪一步 / 相关材料 / 目标对象 / 使用场景】。
期望：提供必要信息，不让模型猜测；没有的材料不要编。

# 角色（写处境，别写头衔）
你现在是：【谁、站在什么位置、要向谁说话】。
期望：用具体处境锚定视角，不写空泛头衔。

# 步骤
请按以下步骤完成：
1. 【步骤1】
2. 【步骤2】
期望：复杂任务拆步骤；简单任务可省略。

# 约束
- 必须：【必须做到的事项】。
- 不要：【关键禁止项】。
期望：正向指令优先；负约束只保留必要项，并尽量改写为正向要求。

# 示例
输入：【样例输入】 → 输出：【样例输出】。
期望：说不清就给一个样子；复杂任务优先给3—5个示例。

# 验收标准
完成后必须满足：
- 【可逐条核对的事实1】
- 【可逐条核对的事实2】
期望：每条都能人工核对的程度，而不是“质量高”“写得好”这类主观标准。

# 输出格式
请以【表格 / 列表 / 一段话 / 邮件 / 代码 / JSON】输出，必须包含：【部分1、部分2、部分3】。
期望：格式、长度、结构、字段写清楚。

挑重点拆解一下

「角色提示」

角色提示是一次注意力引导

你告诉模型，在当前任务中它应该把注意力放在哪些维度上、按什么标准评估、对什么结果负责。

是站在某个位置说话，不是变成一个更厉害的人

举例子：

「你现在是一个要向领导汇报的员工」。

此时「角色」是一个和「联网」一样的命令，让 AI 脑补出：你站在哪、对谁说话、什么场合。这类处境在语料里有一大片真实样本，一提就能对齐。AI 会把相关联的提示词注入到对话中。

敲重点

模型内部没有可供「回忆」的场景库。模型是根据提示词，重新加权了它对训练语料中各种模式的注意力。 它不是「想起」了某个场景，而是通过注入新的 Token 「偏向」了某种说话方式和判断框架。

• 交代处境，管用。
• 加头衔换能力，不管用。 比如「你是一个十年资深的 XX 专家」这种，堆再多头衔也推不到一个它没有的能力上。

这种「请神上身」的提示词，目前只有鉴定水货 up 主的作用了

「你是一个有十年经验的资深产品经理」——这种请神上身式的人设，已经是自媒体肉喇叭们提示词教学的标配了。

他们的逻辑是：角色是一次唤醒，唤醒它在训练阶段对某个场景的记忆。就像你跟老同学提一句「你还记不记得我们上大学那年……」，他脑子里那段画面、那股说话的口气，一下就回来了。

在这个逻辑下，还诞生了「你是一个资深提示词架构师」这种我连编例子都要费半天劲的神奇岗位。

「验收标准」

具体要求只有一条：人和机器都能验证。

• 「做好看点」「优化一下」——形容词，不能核实；
• 「打开首页，卡片上能看到本月收入、本月支出、结余三个数字」——事实，能核实；
• 「手工把当月几笔加起来，跟卡片数字对得上」——事实，能核实。

敲重点

把形容词换成能验收的事实。

形容词	换成能验收的事实
好看	按钮圆角，颜色跟现有导航一致，字号不小于 16px
快一点	列表里放一百条记录，滚动不卡
稳一点	连点两下不会重复提交

「上下文」

敲重点

把话说明白，罗嗦好过什么都没说

这是最简单，但其实是踩坑最严重的地方。

举例子：你想在你的 Vibe Coding 项目里增加一个功能。

planA：帮我加一个按月看账的功能。
planB：现在只有一页流水列表，数据存浏览器本地；顶部已经有一个按月切换，我不想再叠一套新的筛选逻辑跟它打架；这应用是给我妈用的，她六十多了，按钮太小她点不到。

同样一个功能，第二种给出来，改哪个文件、按钮做多大、动不动现有切换，全不一样。因为你给了更多的已知条件：

• 现况——走到哪一步；
• 对象——给谁用、在意什么；
• 限制——时间、预算、数据放哪、哪些红线不能碰；
• 试过什么——常被漏掉，你不讲，AI 会诚恳地把你已经试过的三个烂方法再推荐一遍；
• 搞砸了会怎样。

「任务」

敲重点

换任务框架，比堆形容词有效得多

同一段文本，你换一个任务目标，模型就换一套评价函数：

你写的任务	它进入的模式	它实际会做什么
这是 AI 写的，帮我去掉 AI 味	改写模式	目标是让文本不像 AI，于是调用训练里关于“AI 味”的刻板清单：套话、排比、对举、首先其次最后、空泛升华、过度平衡、破折号、不是……而是……
这是实习生写的，疑似用 AI	审查/鉴别模式	目标不是改好而是找证据：逐段标可疑句，判断哪些像模板化生成，还会因为“实习生”标签带上经验不足、表达生涩的先验

一个AI独有的脾气

“AI 味”并没有客观标准，它只是模型对某种统计风格的印象。

你说“是 AI”，它倾向于全篇降 AI；

你说“疑似 AI”，它倾向于保守鉴别、只标可疑处。

输出会不一样。

「输出格式」

你说「少说废话」，这算一个输出格式，但不够好。因为 AI 要思考：什么才算废话？没有明确标准，它只能给一个安全的中间值——不长不短、不深不浅，谁看了都不生气，但也不会有用。

更好的说法是：「三句话以内，每句不超过 20 字，只保留动作和截止时间。」这就不是形容词，而是结构。

会议纪要也一样。不要说「写简洁点」，要说清四件事：谁参会、领导说了什么、每人承诺了什么、什么时候交。这四条既是收敛，也是验收。

敲重点

输出格式的本质不是排版，而是收敛指令加验收标准（之一）。

我的体会是：提示词完全可以按照「输出格式」的思路来写，用「我到底要你给我什么样的答案」来向 AI 发指令。

第二种写法：更符合直觉

中心思想：写提示词在「校准」AI「即将输出」的 Token

第一，校准的方式是发散和收敛。

发散，是扩大可能性空间：问AI还有哪些路径、方案、替代品、协作方式。

收敛，是选择和挑选有价值的方案，并定义验收标准。

也就是提示词 = 发散 or 收敛。

第二，描述现状与目标之间的差距。

AI 手上有什么（你给的），和最终你要的，全都说明白

也就是提示词是在不停地描述「问题 = 目标状态 − 当前状态」。

假设你想做一个 PPT。

一轮盘点，你可能只想到“自己做”。那么你有如下选择：

1. 找一个 PPT 模板，塞内容，拼成一个了事

2. 自己粘贴文字进去。

你对这一轮思考并不满意，于是你继续「发散」：把「谁来做」也变成一个变量，就会多出另外几条路。

3. 找实习生帮忙。

4. 付费外包出去。

5. 用 AI 制作。

发散之后，判断条件反而更多了：美观、内容合理、效率、省心、成本。更多的选项意味着更高的决策成本。

当然，你可以先收敛到一个大方向：AI 制作。

但收敛到 AI 制作之后，下一层发散才开始——AI 辅助到底有哪些路线？

走哪条路	拿到什么	卡在哪里
可编辑的 PPTX	基于几套固定模板，给内容就能迅速生成，效率极高	模板可能不够用
HTML	直接生成图片加文字，视觉效果极佳，排版合理，还有动画	内容很难调整，把字往右移一点都做不到
AI 生成图层再拼接	上限最高	难度大，对审美要求高，要投入大量打磨

第三行是个关键判断：如果走 AI 路线也要投入大量审美打磨，提效优势被抵消，那还不如直接动手做。

不管是发散还是收敛，都会产生新的决策。而每一次决策，都让你离目标更近一点

发散和收敛，是控制 AI 下一步行为的方式。你有了这个意识，就是在给 AI 下达“输出结构”的指令。

AI 的回复是否满足需求，可以作为判断下一阶段该发散还是该收敛的依据，从而形成一个闭环。

而落到你实际的动作，就是不停地在描述 「问题 = 目标状态 − 当前状态」。

通过每一条提示词，描述当下目标和现状之间的差距，去校正AI的回答。

所以完整的第二种写法，是把三件事叠加：

• 现状同步——现在在哪，手上有什么，卡在哪里；
• 模式指定——这一轮是发散，还是收敛；
• 输出格式——交付成什么样，怎么验收。

输出格式管答案长什么样，发散/收敛管这一轮答案该怎么来。你负责出题和判卷，AI 负责答题。

参考资料

• Prompt Engineering Guide（中文）
• OpenAI：Prompt engineering
• Token 只会被不断追加：旧内容为什么不会消失。
• 提示词的实用小技巧：六个可以直接照做的动作。