你的Prompt为什么总不给力？
很多人用AI就一个模式：丢一个问题，等一个答案。
偶尔得到惊喜。更多时候是答非所问、废话连篇、格式混乱。
问题不在AI，在你怎么问。
提示词工程不是玄学，是有方法论的。下面这10个技巧，每个都来自一线实战，附带可直接复制的模板。
技巧一：用分隔符结构化输入
大模型分不清哪里是你的指令，哪里是需要处理的内容。加上明确的分隔符，模型就知道该怎么做。
差的写法：
帮我总结这篇文章的内容这篇文章讲的是机器学习的基础概念包括监督学习和无监督学习...
好的写法：
请总结以下文章内容，提取3个核心观点：
"""
这篇文章讲的是机器学习的基础概念，包括监督学习和无监督学习两大类。监督学习需要标注数据...
"""
用三个引号、HTML标签、XML标签都行。关键是让指令和内容物理隔离。
模板：
请按照以下要求处理用<content>标记的内容：
<content>
[你的内容]
</content>
技巧二：思维链——让模型"先想再说"
这是目前最有效的技巧之一。让模型展示推理过程，输出质量显著提升。
不加思维链：
一个篮球队有5个人，每个人平均投中3球。如果每人罚球再进2球，总共进了多少球？
加思维链：
请逐步思考这个问题：
1. 先计算投篮得分
2. 再计算罚球得分
3. 最后求总和
一个篮球队有5个人，每个人平均投中3球。如果每人罚球再进2球，总共进了多少球？
关键短语是**“请逐步思考”或“让我们一步一步来”**。研究表明，加上这句话后，数学题的正确率能从40%提升到85%。
技巧三：少样本学习——给例子比给规则更有效
与其写一大段规则说明，不如直接给几个输入输出的例子。模型会自己总结规律。
请将以下产品评论的情感分类为正面、中性或负面。
示例：
评论："这个手机拍照效果太好了，超出预期！"
情感：正面
评论："物流太慢了，等了三天才到。"
情感：负面
评论："东西一般般，没什么特别的。"
情感：中性
现在请分类：
评论："电池续航简直灾难，半天就没电了。"
情感：
模型会顺着例子的模式输出"负面"。这就是少样本学习的威力。
适用场景： 分类、翻译、格式转换、风格模仿。
技巧四：角色设定——给AI一个身份
“扮演一个资深产品经理"和"请分析这个需求”，得到的回答深度完全不同。
你是一位有10年经验的产品经理，擅长从用户角度发现产品问题。
请分析以下用户反馈，找出3个最紧急的产品改进点，并给出优先级建议：
[用户反馈内容]
角色设定不只是加一句"你是一个XX"。要给它具体的经验年限和专业领域，模型才会调用更精准的语料。
常用角色模板：
- 写作：
你是一位资深科技媒体编辑，擅长将复杂技术转化为通俗语言。 - 编程：
你是一位高级后端工程师，熟悉Python和Go，注重代码可读性和性能。 - 分析：
你是一位数据分析师，擅长从杂乱数据中发现关键趋势。
技巧五：指定输出格式——别让模型自由发挥
不指定格式，模型想怎么输出就怎么输出。指定格式，输出稳定可控。
请用以下JSON格式输出分析结果：
{
"summary": "一句话总结",
"key_points": ["要点1", "要点2", "要点3"],
"sentiment": "positive/negative/neutral",
"confidence": 0.95
}
待分析内容：[你的内容]
除了JSON，还支持 Markdown表格、CSV、YAML、XML。根据下游用途选择即可。
技巧六：约束条件——划定边界减少废话
模型天生话多。给它明确的边界，输出会更精炼。
请用不超过200字解释Transformer架构。
不要使用数学公式。
面向没有深度学习背景的读者。
用生活中的类比帮助理解。
约束条件越具体越好。“简洁"不如"不超过200字”，“通俗易懂"不如"面向高中文化水平的读者”。
技巧七：迭代优化——别指望一次到位
好的Prompt很少是一蹴而就的。把它当成代码来迭代。
第一轮：
帮我写一封邮件，向客户道歉。
第二轮（根据结果补充信息）：
帮我写一封邮件，向客户道歉。背景是：我们的服务器上周宕机了4小时，影响了客户的订单处理。语气要诚恳但不过度卑微，提出补偿方案是赠送一个月VIP会员。
第三轮（针对输出调整）：
帮我写一封邮件，向客户道歉。背景是：我们的服务器上周宕机了4小时，影响了客户的订单处理。
要求：
- 开头直接承认错误，不绕弯子
- 说明原因但不找借口
- 提出具体补偿方案
- 结尾表达改进决心
- 全文控制在300字以内
每一轮都在收窄模糊地带。最终输出的质量远超第一轮。
技巧八：正反例对比——教模型什么是不想要的
告诉模型"不该做什么"和"应该做什么"一样重要。
请撰写一段产品描述。
不要：
- 使用夸张的营销用语
- 堆砌形容词
- 提到竞争对手
要：
- 用具体数据说明性能
- 突出核心功能差异
- 语言简洁客观
这种对比式指令特别适合品牌文案、技术文档等对风格要求严格的场景。
技巧九：温度参数调优——控制创造性
温度（temperature）决定模型的随机程度。不同场景需要不同的温度值。
| 场景 | 推荐温度 | 效果 |
|---|---|---|
| 代码生成 | 0.0-0.2 | 稳定、可复现 |
| 事实问答 | 0.0-0.3 | 准确、不编造 |
| 创意写作 | 0.7-0.9 | 灵活、有想象力 |
| 头脑风暴 | 0.9-1.1 | 多样化、突破常规 |
大部分API调用都支持设置 temperature。不调就是默认值0.7，属于中间态，两头都不讨好。
response = client.chat.completions.create(
model="gpt-4o",
messages=[...],
temperature=0.2 # 代码任务，低温度
)
技巧十：元提示词——让AI帮你写Prompt
如果你卡住了不知道怎么写Prompt，可以让AI帮你写。这叫元提示（meta-prompt）。
我需要AI帮我完成以下任务：[描述你的任务]
目标受众：[谁来看输出]
输出格式：[需要什么格式]
关键要求：[必须包含什么]
请为我设计一个高质量的Prompt，要求：
1. 包含角色设定
2. 包含思维链引导
3. 指定输出格式
4. 包含约束条件
5. 附带一个使用示例
AI生成的Prompt往往比你自己的更结构化。把它当作一个Prompt调试工具来用。
实战案例：从60分到95分
假设你要让AI写一份竞品分析报告。
60分的Prompt：
帮我写一份竞品分析报告。
结果：泛泛而谈，每家公司写两段，全是网上能搜到的公开信息。
95分的Prompt：
你是一位资深行业分析师，专注SaaS领域5年以上。
请对比分析以下三家产品的核心竞争力：Notion、Obsidian、Logseq。
分析维度：
1. 目标用户画像（谁在用、为什么用）
2. 核心功能差异（用表格列出）
3. 定价策略对比
4. 生态系统成熟度
5. 未来3个月可能的发展趋势
输出要求：
- 先给一个Executive Summary，不超过150字
- 然后用Markdown表格对比核心功能
- 每个维度用2-3句话说明
- 最后给出你的推荐建议：不同用户类型应该选哪个
数据来源要求：优先引用各产品官方文档和近半年的行业报道。
差别在哪？角色设定、分析框架、输出格式、数据要求——四个维度的约束，把模糊的任务变成了精确的工程。
下一步行动
选一个你最近用AI做的任务，用上面的技巧重新写一遍Prompt。
对比两次输出。你会发现，同样的模型，不同的问法，结果天差地别。
提示词工程不是天赋，是技能。练多了自然手熟。