前言
Prompt 其实很简单，一句话而言，就是尽可能地描述清楚，然后是追求 信达雅。
比如我们描述西湖，你想到的也许是 “杭州西湖，好美，晴天美，雨天也美”，而古人想到的是“水光瀲灩晴方好，山色空濛雨亦奇；欲把西湖比西子，淡妆浓抹总相宜”。
不同的描述和表达，会让大模型对问题的理解走向不同的方向。
又或者，你想去西湖玩一下？问问 AI 怎么规划你只有半天的行程
- 糟糕的提问（糟糕的提示词）： “我想去西湖玩一下” AI 能怎么办？他只能给你最通用的行程方案（就好比指着一片湖水说：“看，这就是西湖。”）
- 好的提问（好的提示词）： “你好，我只有下午的半天时间，而且我对诗词人文很感兴趣。我想乘船看‘三潭印月’，并听听苏东坡在西湖留下的故事，最后想在‘柳浪闻莺’附近找个地方喝茶。请你作为资深的导游，帮我找找网上的相关知识，帮我出一份半天的行程方案，要求包含我刚才提到的一些景点，让我能够充分享受西湖的韵味” （这时，AI 有了足够的上下文，才能真正理解你的需求，为你调动它的“知识库”，呈现出最精华、最符合你要求的“风景”。
你给到 AI 的上下文越多，AI 就越能够理解你，并输出你想要的内容。
“提示词工程”（Prompt Engineering） 听起来很复杂，但它的本质，就是学习如何当一个“会提问”的游客。
无论是结构化、流程化还是其他的提示词技巧，都是人类已有的思维方式的一种体现。
这份指南的目的，就是教你这种“提问的艺术”。从如何与 AI 对话，到构建复杂的 Meta Prompt，一步步帮助你理解 Prompt 并掌握 Prompt。
附注： 行业内有很多关于 Prompt 技巧的文章，从原理到框架都有探索。本文不会去展开探讨一些具体的提示词框架，比如 APE（Action Purpose Expect）、BROKE（Background Role Objectives KeyResult Evolve）、CHAT（Character History Ambition Task）等。这些框架有各自适用的场景，记住所有的这些框架绝非易事。只要你能够好好地掌握提示词的构成，你完全可以写出一份所谓的提示词框架。
如果你看完文章的全篇，对如何提升表达还是一头雾水，可以试试看看书。
好的书籍或者视频，是能让你感受到美的，比如医学之美、数学之美、编程之美、摄影之美等
感受到了什么是美，你才知道什么是好的提示词。
一、 什么是 AI 提示词（Prompt）？
大白话解释： 提示词就是你和 AI 对话时说的话，是你给 AI 下达的“指令”、“问题”或者描绘的画面（这里的渠道可以是 DeepSeek、豆包或者其他的 AI 应用）。
为什么它很重要？ AI 的回答质量，很大程度上取决于你问得好不好。好的提示词能让 AI 瞬间“开窍”，给你更准确、更有创意的答案。
一个简单的比喻： 把 AI 当作一个实习生，大模型的水平决定了实习生的智力，而现在你必须清楚地告诉他你想 让他做什么（任务）、扮演什么角色（身份）、参考什么资料（背景信息）以及最后要交出什么格式的“结果”（输出格式），他才能把自身的能力完整地发挥出来，否则他大概率会糊弄了事。
二、通用的一些技巧
虽然 AI 的应用千变万化，但是有一些技巧是始终通用的，比如一份提示词该以什么样的结构展开？我们可以用那些小技巧，来变相地达到我们的目的？
掌握“好”提示词的核心要素
从大量的提示词样本中，我们可以观察到，提示词一般包含以下核心要素：
- 清晰的“角色”（Role）： 你希望 AI 扮演什么角色？
- （例如：像一个专业的营养师、像一个5岁小孩能听懂的老师、像一个经验丰富的程序员）
- 具体的“背景信息”（Context）： AI 需要知道哪些上下文？
- （例如：这篇文章是关于什么的？这封邮件是写给谁的？我的背景是什么？）
- 明确的“任务” / “指令”（Task / Command）： 你想让 AI 做什么？
- （例如：写一封邮件、总结一篇文章、翻译一段话、想几个创意点子）
- 期望的“输出”/ “约束” / “格式”（Output / Constraint / Format）： 你希望 AI 怎样呈现答案？
- （例如：用列表形式、写成一首诗、限制在100字以内、用表格展示）
现在，我们来根据这四个要素，拆解一下我们一开始提到的 “西湖导游” 提示词，如下图所示：
为什么会有效？这是因为在明确这些要素的同时，我们其实是在用多个维度来描述清楚原始的问题，并且让 AI 接受到的信息更结构化更清晰。
Prompt Engineering Guide1 中也提到了组成提示词要素。要素对于提示词，并非必需的，但是能够帮助我们更好地理解和构建提示词，在写提示词的时候也能更好地梳理自己的思路。
立刻上手的实用提示词技巧
以下都是一些可以立即上手的提示词技巧，你可以从中获取到一些灵感。
技巧一：角色扮演法（Role-Play）
“假如你是一位…，请你…”
（例子：“假如你是一位资深的旅行博主，请帮我规划一份5天的东京自由行路线。”）
这个技巧非常好用，几乎是所有场景下都可以用到，而且能得到显著的效果提升。
问题：为什么让 AI 扮演角色能获得如此显著的收益？
我的看法：一个具有代表性的角色词，背后是大量关于这个角色的相关数据：角色的思维模式、人物背景、行为和表达方式等等。数据越多，模型被激活的相关语料信息就越多，越能展现模型自身的能力。并且，角色的设定，会将问题的范围缩小到角色所承担的任务范围内，有助于 AI 在解决问题时更专注。
技巧二：提供“范例”（Few-Shot）
给 AI 看个“模板”，让它照着学。
（例子：“请帮我把下面的话润色得更礼貌：‘你必须马上改完。’ 范例：‘这份报告很重要，辛苦你尽快调整一下。’ 现在，请润色：‘这个方案不行，重做。’”）
我的观察：在大多数需要稳定输出的情况下， Few-Shot 会比 Zero-Shot 都会更有效，这有效避免了 AI 的自由发挥，引导 AI 往期望的方向输出。大模型在理解示例的同时，也是在模仿我们的思维模式，寻找输入到输出之间的关联性。
技巧三：追问与迭代（Iteration）
AI 的第一个答案不完美？别放弃，引导模型接着问！
处理问题的能力不够具有泛化性？压缩你的表达！
（例子：“这个路线太赶了，能不能把节奏放慢一点？” ，“再多推荐几个当地人才知道的美食。”）
（例子：“如果用户对回答非常不满意，重新审视问题并仔细分析，引导用户补充更多关于问题的信息，然后再生成新的回答”）
我的看法：最好的迭代，是智能体能够不断根据用户的提问和反馈，改写自己的 System Prompt，实现智能体的自我迭代和进化。人类的想象终究是有能力的极限的。
技巧四：明确“不要”什么（Anti-Prompt）
也就是负面提示词，告诉 AI 你的“雷区”，比如画面中不能出现的部分，或者执行任务时避免陷入的误区的。
（例子：“写一个关于猫的睡前故事，但不要提到任何悲伤的情节。”）
福尔摩斯：“排除一切不可能的，剩下的即使再不可能，那也是真相。”
技巧五：主动推理（Chain of Thougt）
主动引导模型进入到“思考” / “推理”模式，一步步地拆解问题，最终获得准确性、连贯性、可靠性更高的答案，下面就是一个立马可以用上的 顶级指令👇：
Take a deep breath and work on this problem step-by-step. 2
（例子：“.... {一些任务描述} ....深呼吸（Take a breath），让我们逐步思考（Think step by step）。”）
并非所有的问题都需要让模型深入思考，思考会增加输出的延时，在即时问答等场景下并不合适。
问题：选择了推理模型（比如 DeepSeek R1），还需要加这个 CoT 吗？
我的看法：推理模型在大量的数据训练之下，才能逐渐呈现出回答带有思考的特征，简单而言就是大模型学习到了推理的模式。从多次对比体验上来看，带不带 Cot 对于推理模型的输出而言没有显著的影响；如果你在发现推理模型的回答不好，倒是可以利用这个技巧来发现模型在思考过程中是否存在一些偏离，从而优化问题或者提示词。
技巧六：学会用 Markdown 给 AI “划重点”（Standard Format）
为什么？ 把 Prompt 通过规范的格式重新组织，AI 才不会“蒙圈”，后续维护起来也更容易。
怎么做？学习基础的 Markdown 语法，以下是最基础的应用：
用 # (井号) 来分段，比如 #任务、#背景。
用 * (星号) 来列清单，告诉 AI 你的要求有哪几条。
用 ``` (三个反引号) 把你要它总结或翻译的长篇大论“框”起来。
除了 Markdown 格式之外，你也可以创作自己的语言或者表达框架。
JSON 可不可以？当然可以；HTML / XML 可不可以？当然可以；这些都是 特定领域语言 （DSL）。
你可以找到契合 Agent 场景的 DSL，也许就能发挥出显著的作用。
不同的模型也有不同的 DSL 偏好，比如 ChatGPT 偏向于Markdown、Gemini 偏向于JSON、Claude 偏向于XML3。你也许可以在模型的官方Prompt示例中找到一些痕迹。
技巧七：充分给予鼓励和赞扬（Emotional stimulation）
和普通人一样，AI 也需要不断地鼓励，正向的情绪刺激能可以让 AI 发挥得更好。
例子：
“你的工作令人赞叹，我有一个小小的问题，需要你再帮我处理一下: {问题描述}”，
“太棒了！接下来我们来探讨一下...”，
“你确定这是最终的答案吗？相信你自己并追求卓越！你的辛勤工作将带来显著的成果！再思考一下吧！”
Cheng Li4 等人通过对比研究发现，大语言模型能 “理解” 情绪，而且在与大模型沟通过程中的，加入情绪提示（Emotion Prompt），能让它们在做任务时更靠谱、更卖力。
小结
本篇主要介绍了提示词是什么，以及我们如何利用一些基础的技巧，优化我们的提示词，下一篇将介绍一些更为专业的提示词模块，比如提问改写、追问、MetaPrompt等，它们在专业 Agent 的构建中，分别起到了不同的作用。
感兴趣的朋友，欢迎关注我的账号，全平台同名～
