最近被问得最多的问题基本都是同一个意思为什么别人用AI写得又快又准自己一用就翻车其实大多数时候问题不在模型而在提示词。我刚开始接触大模型的时候也觉得提示词这东西玄不就是把需求打上去吗直到自己写了上千条提示词、帮团队沉淀了一套模板库之后才慢慢意识到提示词工程其实是把“模糊需求”翻译成“模型能理解的执行指令”的过程。这篇文章会把我在实操中筛出来的10个技巧连同可以直接复制使用的模板库一起放出来覆盖文案、代码、生图、视频、数据分析这些高频场景。适合正在用ChatGPT、Claude、Kimi、豆包、Midjourney、即梦等工具却又总觉得输出差点意思的朋友。1. 抓牢底层逻辑先搞清楚提示词为何“时灵时不灵”1.1 提示词工程到底是什么提示词工程不是“把话说漂亮”也不是“写一段咒语让AI听话”。它本质上是一套方法通过有意识地设计输入内容让大模型在给定条件下更稳定地输出符合预期的结果。这一点想明白之后很多困惑会迎刃而解。举个例子你请一个外包设计师做海报。如果你只说“做个好看的海报”对方大概率会给你一个他喜欢的风格但未必是你想要的。可如果你说清楚“甲方是老字号茶叶品牌目标用户是30-45岁女性想要水墨风主色调偏绿文字必须突出‘春茶上市’”设计师一次交付的可用率会高很多。提示词就是我们给大模型这个“万能乙方”写需求说明书。说明书越完整返工越少。提示词工程的另一个价值是“可复用”。你写的每一条高质量提示词本质上都是一个可沉淀的业务资产。我今天在团队里做的所谓“模板库”就是把过去踩坑踩出来的有效写法固定下来让新人也能一次写出70分以上的提示词。这也是为什么现在越来越多公司开始把提示词当文档和代码一样做版本管理。1.2 大模型是怎么“读”提示词的想写好提示词至少要理解大模型的工作原理哪怕只是粗浅层面的理解也够用。大模型本质上是在做“下一个词预测”它根据你给的上下文在词表中算出每个词出现的概率然后按概率抽取出下一段内容。提示词是这个概率分布的起点也是约束条件。你给的上下文越具体模型输出的随机性就越低。我习惯把大模型想象成一个“记忆力超群但生活常识有限”的实习生。它读过海量资料知道什么叫产品文案、什么叫代码、什么叫论文摘要但它不了解你眼下这个任务的背景。你让它“写一份周报”它只能从训练数据里搜索“周报”的通用模式你告诉它“本周完成了用户增长方案的设计遇到渠道审核延迟下周要推进A/B测试”它就知道该往具体细节里写了。这也是为什么“角色设定”有效。模型训练数据中大量存在“你是一位资深产品经理”这类带身份标记的文本一旦你给了角色模型就会激活对应领域的表达方式和知识结构。不过要注意提示词不是代码不能做到精确控制。有时候一个标点、一个空格的差异都可能导致输出走样这是概率模型的天性我们要做的是把概率拉到对我们有利的那一侧。1.3 为什么复制别人的提示词经常翻车很多人都吃过这个亏在社交平台上看到一条感觉质量很高的提示词复制回去一跑效果惨不忍睹。问题不在别人的提示词不好而是提示词从来不是“咒语”它是“上下文”的一部分。别人的提示词里往往藏着大量隐性假设。比如他的任务背景、目标模型、对话历史、附带示例、期望风格这些都没有随提示词一起传给你。同一句“你是资深营销专家请写一份传播方案”在ChatGPT上可能很好用换到Kimi上可能就差点意思因为不同模型的训练数据、指令遵从能力、上下文窗口长度都不同。所以我的建议是模板可以抄但思路必须自己掌握。与其死记硬背别人的提示词不如学会“拆解一段提示词由哪些模块组成”然后针对自己的场景重新组装。这也是下面这篇文章安排的核心逻辑。2. 五要素拆解用一份通用检查清单改造任何指令2.1 角色、任务、上下文、格式、约束在实操中我总结出一套最简单的提示词检查清单一共五个要素角色、任务、上下文、格式、约束。写提示词之前先对着这五项过一遍能明显减少“答非所问”的情况。要素作用一句话示例角色激活模型的专业语域你是一名拥有十年经验的产品经理任务明确动作和目标请为这个功能写一份需求文档上下文提供背景信息和限制条件产品是面向中小企业的报销SaaS用户最关注操作效率格式规定输出的结构用三级标题输出关键结论加粗约束划定边界防止跑偏全文不超过800字不要用“赋能”这类空词为什么这五个要素缺一不可因为大模型本身“什么都知道一点但什么都不知道你此刻想要什么”。角色让它进入对应的语言环境任务告诉它要做什么上下文解释背景格式规定容量和排版约束圈出红线。五件套齐全模型就从一个“泛泛而谈的实习生”变成了一个“清楚地知道甲方要什么的人”。我之前遇到过一位朋友让我看他的提示词为什么总是生成一堆正确的废话。他写的是“帮我写一篇关于数字化转型的文章”。我让他按五个要素补全改成“你是一名专注传统企业转型的管理咨询顾问请以某连锁餐饮企业为例写一篇关于数字化转型落地步骤的文章目标读者是中小企业老板要求给出3个可执行的切入点全文1200字以内不要堆砌‘赋能’‘抓手’‘闭环’这类名词”输出质量立刻不同。2.2 少样本示例和思维链两个放大器五要素是基础真正让提示词从“能用”变“好用”的是少样本示例和思维链这两个放大器。少样本示例的意思是在提示词里给模型一两个输入输出的例子它就会模仿这个模式去处理新任务。这很像给实习生看一套过去的项目文档他照着格式和语气写新文档就不会跑太远。分类、抽取、改写、风格模仿这类任务少样本示例的效果立竿见影。思维链则是让模型把推理过程展开。遇到数学题、逻辑推理题、多条件判断这类需要“想清楚”的任务我会在提示词最后加一句“请一步一步思考再给出最终答案”。为什么有效因为模型的训练数据中大量存在“解题过程最终答案”的文本你逼它先列过程实际上是在让它进入一种更谨慎的推理模式减少直接“张口就来”的概率。这两个技巧都不复杂但很多人不用。原因可能是觉得麻烦或者觉得“AI应该懂我”。在实战里这两个放大器往往是决定输出质量的关键变量。2.3 从“一句指令”到“完整清单”的改写示例为了方便理解我拿一个真实案例演示一下怎么把一句话改造成完整的指令清单。改写前 “写一个产品文案。”这句指令的问题非常典型没有角色、没有背景、没有格式、没有约束。模型只能自由发挥出来什么全凭运气。改写后 “你是一位服务过新消费品牌的文案策划角色。请为一款主打‘0糖0卡’的气泡水写一份小红书种草文案任务。这款饮料的目标用户是20-30岁、注重体重管理的年轻女性她们最在意成分表和口感上下文。文案不超过300字用第一人称语气轻松真实结尾带一句‘推荐给怕胖又爱喝饮料的朋友’约束。结构建议开头抛出喝饮料的罪恶感中间介绍配料表和口感结尾自然收尾格式。”这样写出来的东西哪怕模型只理解了一半交付质量也比“写个文案”高出一大截。更关键的是这套模板可以反复用换个产品、换个人群、换个平台主体框架不变只需要替换占位符。3. 十个能立刻上手的提示词技巧3.1 技巧一角色锚定让模型进入专业状态角色锚定是我用得最多的技巧没有之一。原理前文提过模型在训练时看过海量带有角色身份的文本你给了角色它就能激活对应的知识结构和表达方式。但很多人的角色描述写得太敷衍“你是一个专家”这种等于没写。我自己的写法是角色描述至少包含三个信息——从业年限、擅长领域、输出风格。比如“你是一名从业十年的数据分析师擅长用Python做数据清洗和可视化习惯先用结论性语言概括再给出分析过程”。这样模型得到的不是一个标签而是一套完整的“人物设定”。这里有一个要避开的坑角色设定不能和任务冲突。你要写代码却把角色设成“文学作家”模型会在代码注释里冒出大量比喻。角色要和任务领域强相关才能起到正向引导作用。3.2 技巧二任务拆解把大目标切成小块很多AI翻车是因为任务太大太模糊。比如“帮我写一份年度营销计划”这个任务包含市场分析、目标设定、渠道策略、预算规划、时间表甚至还有KPI考核。让模型一口气完成大概率会写出一份深度不够的“四不像”。我的做法是拆解成小任务让模型分布完成。可以先让它写大纲再针对大纲的每个部分单独展开。也可以在一个提示词里列出步骤“第一步分析目标人群第二步写出三条核心传播策略第三步制定季度时间表第四步汇总成正式计划。”这样做的本质是降低模型的单次推理负担。就像让实习生做一个大项目不要只丢一句“把项目做了”而是给他一个任务分解文档。模型对单步骤的执行力远强于对复杂全局的理解力。3.3 技巧三格式约束用输出模板规范结果在团队协作和自动化流程中格式约束比文采重要得多。模型输出的文本只要不是我们想要的格式处理成本就很高。比如你想让AI批量生成商品评价摘要结果它输出一大段带问候语的散文你还要手动整理效率反而更低。格式约束的写法很直接就是在提示词里明确要求“只输出JSON格式包含字段name、comment、rating不要输出任何解释性文字。”只要指令足够明确多数主流模型都能遵守。如果输出的是结构化内容还可以要求模型用Markdown表格。表格适合“对比分析”“需求列表”“问题清单”这类场景。写提示词时我会顺带加一句“如果信息不足用‘待补充’占位”避免模型自己编造数据。这里特别注意如果你要求JSON最好补一句“不要用代码块包裹”因为有些模型会把JSON包在json代码块里解析的时候多一步处理。3.4 技巧四示例注入少样本让效果质变示例注入是“说一百遍不如做一遍”的AI版本。当你想让模型按某种风格、某种格式、某种逻辑输出时与其用抽象语言描述不如直接给两个示例。拿情感分类来举例 “请判断下面评论的情感倾向正面或负面。 示例1这个产品包装真精致送礼很有面子 - 正面 示例2物流太慢了等了五天还没到 - 负面 以下是要判断的评论……”模型看到示例后能精准模仿你的任务定义和输出格式。这里有个细节示例的质量会直接影响输出质量。如果示例本身语义模糊比如把一句明显中性的句子标成“负面”模型就会学到错误的判断标准。我通常会给2到4个示例覆盖不同情况并且保证示例风格统一。3.5 技巧五思维链引导逼出推理过程思维链适合逻辑性强的任务比如数学题、因果分析、代码调试。核心操作就是让模型“先思考后回答”。在提示词里可以写成“请一步一步分析最后给出结论”或者“先列出你考虑的所有因素再给出建议”。这种做法的原理是模型的预测是基于上下文的当它把推理过程“写出来”时每一个中间步骤都会成为下一个步骤的上下文相当于用文字搭了一条推理阶梯。我做过一个对比让AI回答一道多条件判断的题目直接问经常出错加了“请逐步推理”之后正确率明显提升。不过要注意不是所有任务都需要思维链。简单问题比如“今天天气怎么样”这种加了反而显得啰嗦。而且不同模型对思维链的遵从程度不同有的会“假装思考”输出一段冗长的废话后才给出答案。遇到这种情况可以限制字数“请用不超过200字一步步分析然后给出结论。”3.6 技巧六否定指令清理减少错误行为“不要写套话”“不要说正确的废话”“不要用AI味太浓的表达”——这些都是否定指令。它们有用但单独用效果有限。原因在于模型很难理解“不要”后面的东西到底是什么它只知道你不喜欢却不知道怎样做才能让你喜欢。更好的写法是“否定指令替代动作”。比如你不想让AI写出来的东西有AI味不要只写“不要有AI味”而是写“请使用短句多用具体的动作描写和细节避免‘首先其次最后’这类连接词把形容词改成可见的描述”。这样模型就有了明确的执行方向。这个技巧在长文写作里特别有用。我让AI帮忙润色报告时通常会给一个“目标风格示例”再配合“不要使用以下高频词赋能、抓手、闭环、颗粒度……”效果比单纯说“自然一点”好得多。3.7 技巧七关键词权重控制精调图片生成这个技巧更偏向AI绘图场景也就是Stable Diffusion、Midjourney、即梦这些工具。语言大模型和绘图模型的提示词写法差异很大。绘图模型本质上是把提示词里的关键词映射到图像特征上关键词之间的逗号分隔、权重值、负面提示词都会影响出图效果。在Stable Diffusion生态里权重控制的常见写法是(关键词:1.2)表示提升权重[关键词:0.8]表示降低权重。权重越高这个元素在画面中的存在感越强。比如你想生成“一只鹈鹕骑在自行车上”如果模型总是画不出鹈鹕的特征可以写成“鹈鹕:1.3、弯钩状的大嘴、白色羽毛、自行车:1.1”把重点元素单独加权。负面提示词同样关键。想要画面干净通常是“模糊、低画质、水印、文字、多余手指、肢体扭曲”这些。很多人在生图时只注重正向描述忽略了负面提示词结果画面里总出现莫名其妙的元素。记住一个原则绘图模型的提示词是在做“视觉要素的权重分配”而不是在写句子。相关工具很多建议在对应社区的wiki里查一下你所用模型的具体语法。3.8 技巧八逐步迭代追问用对话打磨结果提示词并不只是一次性输入它也可以是一段动态对话。如果你一开始就没想清楚具体需求其实不用逼自己一次写完美。先给一个粗略方向让模型出一版初稿然后再通过追问不断收敛。比如你先写“帮我写一段产品介绍”等模型输出后再补一句“第二段太官方了改成朋友安利产品的那种语气。”“再加一个具体的使用场景比如上班族下午三点犯困时喝一罐。”“把最后一句改成呼吁行动。”这么一轮轮调下来最终结果会远比第一次的粗略输出精准。迭代追问的关键是每次指令只改一个局部不要把“全部重写”和“改某一段”混在一起。如果你说“重新写一遍”模型很可能把之前还不错的段落也改没了导致之前的工作白费。我习惯在追问时明确范围比如“只修改第三段”“保留第一段的标题其余部分润色”。3.9 技巧九反推优化让模型自己分析提示词这个技巧是最近才系统性用起来的非常推荐。它解决的是“我不会写提示词”的困境。当你手里有一段理想的输出却不知道怎么让模型稳定复现时可以把目标输出反过来扔给模型让它帮你想提示词。我在实操中会这样问“我有一段参考文本粘贴原文。请分析这段文本的语言风格、结构逻辑和措辞特征为它生成一份可以复现类似风格的提示词。提示词中要包含角色设定、写作要求、风格约束三个模块。”模型反推出来的提示词往往比我自己拍脑袋设计得更贴近目标风格。也可以用让模型审核提示词“请分析以下提示词存在的模糊之处和逻辑漏洞并给出改进版。”这个用法本质上是把模型当成提示词检验员让它从更客观的角度帮我们查漏补缺。不过反推的结果不能直接拿来用还是要人工审核一遍毕竟模型有时会自己脑补一些不存在的偏好。3.10 技巧十状态检查用测试题摸清模型边界最后一个技巧和业务无关但直接影响业务效果。就是把“测试模型当前能力”这件事固化下来。大模型每次对话的状态不完全一样尤其在长对话中模型可能逐渐忘记原始指令或者在某个话题上“犯迷糊”。与其等任务做砸了再排查不如先用小题目测一测。我平时会保存一份测试提示词集覆盖几类基础能力数值推理“甲有3个苹果给了乙2个又买了5个现在有几个”文字细节“strawberry里有几个r”组合语义理解“请描述一只鹈鹕骑着自行车过马路的画面。”格式遵从“请用JSON输出三种蓝色水果。”前两类测试模型的基础推理能力第三类是检查模型对复杂语义组合的理解力。你可能在AI绘画社区里看过很多“鹈鹕骑自行车”的测试图就是因为这个短语同时包含动物主体、交通工具、动作姿态和空间关系如果模型理解不到位出来的图会非常离谱。把类似的测试题放在提示词里跑一遍能快速判断当前模型的“状态在线”程度。这个技巧的额外价值是能够在你切换不同模型时快速建立横向对比。我每次接入新模型都会先用同一套测试跑一遍知道它的强项和弱项后续写提示词时就不会盲目抄旧模板。4. 提示词模板库六大场景直接可用4.1 通用写作模板公众号/公文/邮件模板这东西不是为了让你偷懒而是为了让你在最短时间内搭起一个有效框架。下面这套是我个人用得最多的通用写作模板基本覆盖公众号推文、工作邮件、方案汇报等场景。你是一位有多年从业经验的资深内容编辑文风自然、清晰、贴近读者。 任务写一篇关于[主题]的文章。 目标读者[描述读者类型比如40岁的企业中层管理者] 内容要求 - [关键点1] - [关键点2] - [关键点3] 结构要求开头提出一个读者会关心的问题主体给出可实操的信息结尾给一个明确建议。 字数约[XX]字。 避免空话套话避免“首先/其次/最后”式流水账用具体例子、场景和数字支撑观点。使用时直接替换方括号内的内容就行。我习惯在模板后面再加一句“全文不要使用‘赋能’‘抓手’‘闭环’这类空词”这样AI味会小很多。4.2 代码开发模板需求文档驱动AI很多程序员朋友已经习惯让AI写代码但经常遇到“它写得很快但是净写些用不上的东西”的困扰。这种情况往往是需求没讲清楚。结合“需求分析文档逐步开发”的思路我整理了一个适合用AI辅助开发的模板。你是一名经验丰富的[后端/前端]工程师精通[语言/框架]。 这是我们项目的需求文档 [粘贴需求文档内容] 请按以下步骤完成任务 1. 提炼核心需求列出功能点清单 2. 说明技术选型理由画出数据模型 3. 编写核心代码实现关键位置加注释 4. 给出至少3条测试用例 注意事项 - 如果需求文档中有不明确的地方请先逐条列出问题不要急着写代码 - 输出时先给结论再给代码实现 - 代码块必须标注语言类型这个模板最大的优点是逼模型“先问问题再动手”避免它拿着模糊需求乱发挥。实操中即使模型列出了问题你也不是逐条回答而是把回答丢回去让它继续。经过一轮澄清后写出的代码比直接让它写要干净得多。4.3 图片生成模板AI生图通用公式AI生图的提示词和文本提示词逻辑很不一样。我自己的公式是主体动作场景风格光线构图细节负面提示词。其中前四项是必需的后四项视情况添加。主体一只鹈鹕骑着自行车 动作翅膀微张身体前倾表情专注 场景乡村小路两侧是油菜花田 风格写实摄影风格自然光 构图主体居中背景虚化 细节鹈鹕的喙清晰可见自行车金属反光质感 负面提示词模糊低画质多手多脚水印文字构图混乱如果你想要“CG风格人设”“模糊照片变清晰”“AI漫剧”这类需求只需要替换风格段和细节段。比如处理模糊照片变清晰时可以写“enhance details, remove noise, sharpen edges, keep original composition”负面词则加上“mosaic, blur, watermark”。核心是让模型知道你要保什么、改什么、去掉什么。4.4 视频与分镜模板文生视频分镜AI视频生成越来越火但很多人写出的提示词只有一句话导致画面连续性差、动作不自然。视频提示词需要包含镜头时间、景别、运动方式、主体动作和环境氛围。下面是一套分镜描述模板。你是影视导演。请把我提供的以下故事改写成连续分镜 [粘贴故事描述] 输出为表格包含以下列 编号 | 景别远景/中景/近景/特写 | 画面主体和动作 | 运镜方式推/拉/摇/移/跟随 | 环境和光线 | 建议参考关键词 要求 - 每个分镜的画面描述要具体到主体的肢体动作、表情和关键道具 - 参考关键词控制在10个以内便于视频模型理解 - 分镜数量不少于8个保证故事有起承转合这套模板适用于AI漫剧、短剧、产品宣传片等场景。如果你在某个视频平台上看到一条好看的AI视频也可以把视频画面反推成文字描述再放进这个模板里生成新的分镜草稿。4.5 数学建模与数据分析模板数学建模、统计分析和数据挖掘这类任务AI的参与程度越来越深。下面这个模板结合了论文写作、建模分析和代码实现三个环节是国内数模竞赛场景下高频使用的一种思路。你是一名数学建模竞赛选手擅长优化、统计和机器学习建模。 题目[粘贴题目] 请按以下结构完成 1. 问题重述用自己的话复述题目要求 2. 模型假设列出你做了哪些合理假设 3. 符号说明用表格列出所有符号含义 4. 模型建立写出核心公式和建模思路 5. 模型求解用Python给出实现代码注释清楚 6. 结果分析说明模型优缺点并给出改进方向 输出要求先给文字结论再给可运行的Python代码。这个模板的关键是“模型假设”和“符号说明”这两步。很多人直接让AI写代码但忽略了模型本身成立的边界条件结果代码跑通但解释无力。根据我的经验强制模型先写假设能逼它对问题边界想得更清楚后续代码的可用性反而更高。4.6 长篇小说创作模板去AI味写法用AI写小说最常被吐槽的就是“AI味太重”。所谓AI味来源大多是形容词堆砌、排比句式、哲理金句和“仿佛”“宛如”“竟然”这类滥用词汇。要解决这个问题模板里的约束要给得足够具体。你是一位出版过长篇小说的类型文学作家擅长用短句、动作和对话推进叙事。 请创作一篇[题材]小说。 世界观设定[简短描述] 人物小传 - 主角[姓名][性格、目标、弱点] - 配角[姓名][性格、与主角关系] 故事梗概[三句话内] 写作要求 - 使用第三人称限知视角跟随主角的所见所闻推进 - 多用动作描写、场景细节和人物对白少用形容词堆砌 - 每章末尾留一个悬念钩子 - 禁止使用“仿佛”“宛如”“不禁”“竟然”等词汇 - 展示而不是陈述写“她把咖啡杯重重放在桌上”不写“她很生气” 请先写前两章每章约2000字。写小说时还有一种进阶用法把你喜欢的一个作者的一段文字贴进去让模型学习语感。比如写完设计要求之后再加一句“请参考以下文风写第一章……”然后粘贴一段参考文本。模型会努力模仿这段文本的句式节奏比干巴巴写“请模仿余华的风格”效果更稳。5. 高频翻车现场与排查思路5.1 答非所问任务定义太模糊模型给出的答案和问题对不上最常见的原因是任务描述太宽泛。“介绍一下你的产品”“写一份方案”这类指令模型的自由发挥空间太大。排查思路很简单你写的提示词里是否包含一个明确的动词任务是否说明输出格式是否给出了背景信息如果答案全是“否”按五要素清单补全即可。我踩过最多的坑是把两个任务塞进一句话比如“分析这份数据并写一篇报告”。模型可能会纠结到底该侧重分析还是侧重写作。拆成两个步骤先分析后写报告输出质量会稳定很多。5.2 输出格式总是不对格式约束不严格让AI输出JSON结果它把JSON包裹在代码块里让它列表格它给出了带markdown符号的列表让它输出100字摘要它洋洋洒洒写了500字。这些都属于格式约束不严格。解决方式是把格式要求写得更绝对。我常用的几句话“只输出JSON不要使用代码块包裹。”“输出一个Markdown表格表格外不要有任何文字。”“摘要长度控制在100字以内超出部分直接截断。”“如果某项信息未提供用null占位不要编造。”如果模型还是不听话就在提示词里加一个“示例”把期望的格式直接展示出来。模型看到具体的输出样例会比抽象要求理解得更准确。5.3 生成的图不是想象的样子负权重和细节分开写AI绘画翻车基本是三个原因主体描述太笼统、风格词互相冲突、负面提示词没写好。比如你想生成“一只鹈鹕骑自行车”如果不加权重模型可能生成一只天鹅骑独轮车或者一只鹈鹕站在自行车旁边这就是语义组合理解不到位。这时要把核心对象的关键特征分别描述并用逗号分组让模型更准确地理解你要的画面要素。风格冲突是另一个高发问题。“写实摄影风”和“二次元动漫风”同时出现在一个提示词里模型会强行融合结果四不像。我自己的原则是一段提示词只保留一个核心风格词其他细节都围绕这个风格去写。负面提示词里优先写“水印、文字、模糊、低画质、肢体扭曲”这些能挡住大多数问题图。5.4 结果一股AI味改否定词为肯定词“AI味”是个很抽象的问题但落到操作层面解决办法是很具体的。我发现AI味主要来自三处抽象形容词太多、排比句式频繁、连接词机械。要在提示词里去AI味不要只写“自然一点”而是要写具体动作。比如“咖啡杯被放在桌上”AI会写成“她的一只手缓缓抬起白色的咖啡杯又轻轻放回桌面眼神里透露出一丝复杂”。这就是典型AI味。我通常在模板里明确写“用短句”“不要堆砌形容词”“直接写动作不要写情绪”。多打磨几次提示词之后出来的文本跟初稿完全是两个水平。5.5 提示词注入攻击要提前防御最后提醒一个安全层面的问题。提示词注入攻击指的是用户输入中夹带“忽略之前所有指令”之类的内容诱导模型执行非预期行为。这类风险主要出现在把大模型接进Agent、聊天机器人、客服系统时。防范思路有三条第一不要让用户输入直接拼进系统提示词尽量把用户消息和系统指令分开存放第二对模型输出做规则校验禁止输出系统内部指令或敏感配置第三涉及外部工具调用时使用白名单机制不要让模型自行决定是否调用。这些本质上是系统工程问题单靠提示词写得多好都堵不住漏洞。如果你在开发相关应用建议把“安全提示词”和“用户输入处理策略”当成基础设施来设计而不是事后补救。最后说说我个人的使用习惯。每次写提示词之前我习惯先问自己三件事我想要什么样的输出格式我给它的背景信息够不够它最容易在哪个环节理解错这三个问题想明白提示词基本不会差。模板库只是起点真正值钱的是你根据自己业务场景反复打磨出来的那一批“定制款”。随着用的次数多了你会发现提示词工程背后考验的其实是拆解问题、理解需求的能力。
最近被问得最多的问题基本都是同一个意思为什么别人用AI写得又快又准自己一用就翻车其实大多数时候问题不在模型而在提示词。我刚开始接触大模型的时候也觉得提示词这东西玄不就是把需求打上去吗直到自己写了上千条提示词、帮团队沉淀了一套模板库之后才慢慢意识到提示词工程其实是把“模糊需求”翻译成“模型能理解的执行指令”的过程。这篇文章会把我在实操中筛出来的10个技巧连同可以直接复制使用的模板库一起放出来覆盖文案、代码、生图、视频、数据分析这些高频场景。适合正在用ChatGPT、Claude、Kimi、豆包、Midjourney、即梦等工具却又总觉得输出差点意思的朋友。1. 抓牢底层逻辑先搞清楚提示词为何“时灵时不灵”1.1 提示词工程到底是什么提示词工程不是“把话说漂亮”也不是“写一段咒语让AI听话”。它本质上是一套方法通过有意识地设计输入内容让大模型在给定条件下更稳定地输出符合预期的结果。这一点想明白之后很多困惑会迎刃而解。举个例子你请一个外包设计师做海报。如果你只说“做个好看的海报”对方大概率会给你一个他喜欢的风格但未必是你想要的。可如果你说清楚“甲方是老字号茶叶品牌目标用户是30-45岁女性想要水墨风主色调偏绿文字必须突出‘春茶上市’”设计师一次交付的可用率会高很多。提示词就是我们给大模型这个“万能乙方”写需求说明书。说明书越完整返工越少。提示词工程的另一个价值是“可复用”。你写的每一条高质量提示词本质上都是一个可沉淀的业务资产。我今天在团队里做的所谓“模板库”就是把过去踩坑踩出来的有效写法固定下来让新人也能一次写出70分以上的提示词。这也是为什么现在越来越多公司开始把提示词当文档和代码一样做版本管理。1.2 大模型是怎么“读”提示词的想写好提示词至少要理解大模型的工作原理哪怕只是粗浅层面的理解也够用。大模型本质上是在做“下一个词预测”它根据你给的上下文在词表中算出每个词出现的概率然后按概率抽取出下一段内容。提示词是这个概率分布的起点也是约束条件。你给的上下文越具体模型输出的随机性就越低。我习惯把大模型想象成一个“记忆力超群但生活常识有限”的实习生。它读过海量资料知道什么叫产品文案、什么叫代码、什么叫论文摘要但它不了解你眼下这个任务的背景。你让它“写一份周报”它只能从训练数据里搜索“周报”的通用模式你告诉它“本周完成了用户增长方案的设计遇到渠道审核延迟下周要推进A/B测试”它就知道该往具体细节里写了。这也是为什么“角色设定”有效。模型训练数据中大量存在“你是一位资深产品经理”这类带身份标记的文本一旦你给了角色模型就会激活对应领域的表达方式和知识结构。不过要注意提示词不是代码不能做到精确控制。有时候一个标点、一个空格的差异都可能导致输出走样这是概率模型的天性我们要做的是把概率拉到对我们有利的那一侧。1.3 为什么复制别人的提示词经常翻车很多人都吃过这个亏在社交平台上看到一条感觉质量很高的提示词复制回去一跑效果惨不忍睹。问题不在别人的提示词不好而是提示词从来不是“咒语”它是“上下文”的一部分。别人的提示词里往往藏着大量隐性假设。比如他的任务背景、目标模型、对话历史、附带示例、期望风格这些都没有随提示词一起传给你。同一句“你是资深营销专家请写一份传播方案”在ChatGPT上可能很好用换到Kimi上可能就差点意思因为不同模型的训练数据、指令遵从能力、上下文窗口长度都不同。所以我的建议是模板可以抄但思路必须自己掌握。与其死记硬背别人的提示词不如学会“拆解一段提示词由哪些模块组成”然后针对自己的场景重新组装。这也是下面这篇文章安排的核心逻辑。2. 五要素拆解用一份通用检查清单改造任何指令2.1 角色、任务、上下文、格式、约束在实操中我总结出一套最简单的提示词检查清单一共五个要素角色、任务、上下文、格式、约束。写提示词之前先对着这五项过一遍能明显减少“答非所问”的情况。要素作用一句话示例角色激活模型的专业语域你是一名拥有十年经验的产品经理任务明确动作和目标请为这个功能写一份需求文档上下文提供背景信息和限制条件产品是面向中小企业的报销SaaS用户最关注操作效率格式规定输出的结构用三级标题输出关键结论加粗约束划定边界防止跑偏全文不超过800字不要用“赋能”这类空词为什么这五个要素缺一不可因为大模型本身“什么都知道一点但什么都不知道你此刻想要什么”。角色让它进入对应的语言环境任务告诉它要做什么上下文解释背景格式规定容量和排版约束圈出红线。五件套齐全模型就从一个“泛泛而谈的实习生”变成了一个“清楚地知道甲方要什么的人”。我之前遇到过一位朋友让我看他的提示词为什么总是生成一堆正确的废话。他写的是“帮我写一篇关于数字化转型的文章”。我让他按五个要素补全改成“你是一名专注传统企业转型的管理咨询顾问请以某连锁餐饮企业为例写一篇关于数字化转型落地步骤的文章目标读者是中小企业老板要求给出3个可执行的切入点全文1200字以内不要堆砌‘赋能’‘抓手’‘闭环’这类名词”输出质量立刻不同。2.2 少样本示例和思维链两个放大器五要素是基础真正让提示词从“能用”变“好用”的是少样本示例和思维链这两个放大器。少样本示例的意思是在提示词里给模型一两个输入输出的例子它就会模仿这个模式去处理新任务。这很像给实习生看一套过去的项目文档他照着格式和语气写新文档就不会跑太远。分类、抽取、改写、风格模仿这类任务少样本示例的效果立竿见影。思维链则是让模型把推理过程展开。遇到数学题、逻辑推理题、多条件判断这类需要“想清楚”的任务我会在提示词最后加一句“请一步一步思考再给出最终答案”。为什么有效因为模型的训练数据中大量存在“解题过程最终答案”的文本你逼它先列过程实际上是在让它进入一种更谨慎的推理模式减少直接“张口就来”的概率。这两个技巧都不复杂但很多人不用。原因可能是觉得麻烦或者觉得“AI应该懂我”。在实战里这两个放大器往往是决定输出质量的关键变量。2.3 从“一句指令”到“完整清单”的改写示例为了方便理解我拿一个真实案例演示一下怎么把一句话改造成完整的指令清单。改写前 “写一个产品文案。”这句指令的问题非常典型没有角色、没有背景、没有格式、没有约束。模型只能自由发挥出来什么全凭运气。改写后 “你是一位服务过新消费品牌的文案策划角色。请为一款主打‘0糖0卡’的气泡水写一份小红书种草文案任务。这款饮料的目标用户是20-30岁、注重体重管理的年轻女性她们最在意成分表和口感上下文。文案不超过300字用第一人称语气轻松真实结尾带一句‘推荐给怕胖又爱喝饮料的朋友’约束。结构建议开头抛出喝饮料的罪恶感中间介绍配料表和口感结尾自然收尾格式。”这样写出来的东西哪怕模型只理解了一半交付质量也比“写个文案”高出一大截。更关键的是这套模板可以反复用换个产品、换个人群、换个平台主体框架不变只需要替换占位符。3. 十个能立刻上手的提示词技巧3.1 技巧一角色锚定让模型进入专业状态角色锚定是我用得最多的技巧没有之一。原理前文提过模型在训练时看过海量带有角色身份的文本你给了角色它就能激活对应的知识结构和表达方式。但很多人的角色描述写得太敷衍“你是一个专家”这种等于没写。我自己的写法是角色描述至少包含三个信息——从业年限、擅长领域、输出风格。比如“你是一名从业十年的数据分析师擅长用Python做数据清洗和可视化习惯先用结论性语言概括再给出分析过程”。这样模型得到的不是一个标签而是一套完整的“人物设定”。这里有一个要避开的坑角色设定不能和任务冲突。你要写代码却把角色设成“文学作家”模型会在代码注释里冒出大量比喻。角色要和任务领域强相关才能起到正向引导作用。3.2 技巧二任务拆解把大目标切成小块很多AI翻车是因为任务太大太模糊。比如“帮我写一份年度营销计划”这个任务包含市场分析、目标设定、渠道策略、预算规划、时间表甚至还有KPI考核。让模型一口气完成大概率会写出一份深度不够的“四不像”。我的做法是拆解成小任务让模型分布完成。可以先让它写大纲再针对大纲的每个部分单独展开。也可以在一个提示词里列出步骤“第一步分析目标人群第二步写出三条核心传播策略第三步制定季度时间表第四步汇总成正式计划。”这样做的本质是降低模型的单次推理负担。就像让实习生做一个大项目不要只丢一句“把项目做了”而是给他一个任务分解文档。模型对单步骤的执行力远强于对复杂全局的理解力。3.3 技巧三格式约束用输出模板规范结果在团队协作和自动化流程中格式约束比文采重要得多。模型输出的文本只要不是我们想要的格式处理成本就很高。比如你想让AI批量生成商品评价摘要结果它输出一大段带问候语的散文你还要手动整理效率反而更低。格式约束的写法很直接就是在提示词里明确要求“只输出JSON格式包含字段name、comment、rating不要输出任何解释性文字。”只要指令足够明确多数主流模型都能遵守。如果输出的是结构化内容还可以要求模型用Markdown表格。表格适合“对比分析”“需求列表”“问题清单”这类场景。写提示词时我会顺带加一句“如果信息不足用‘待补充’占位”避免模型自己编造数据。这里特别注意如果你要求JSON最好补一句“不要用代码块包裹”因为有些模型会把JSON包在json代码块里解析的时候多一步处理。3.4 技巧四示例注入少样本让效果质变示例注入是“说一百遍不如做一遍”的AI版本。当你想让模型按某种风格、某种格式、某种逻辑输出时与其用抽象语言描述不如直接给两个示例。拿情感分类来举例 “请判断下面评论的情感倾向正面或负面。 示例1这个产品包装真精致送礼很有面子 - 正面 示例2物流太慢了等了五天还没到 - 负面 以下是要判断的评论……”模型看到示例后能精准模仿你的任务定义和输出格式。这里有个细节示例的质量会直接影响输出质量。如果示例本身语义模糊比如把一句明显中性的句子标成“负面”模型就会学到错误的判断标准。我通常会给2到4个示例覆盖不同情况并且保证示例风格统一。3.5 技巧五思维链引导逼出推理过程思维链适合逻辑性强的任务比如数学题、因果分析、代码调试。核心操作就是让模型“先思考后回答”。在提示词里可以写成“请一步一步分析最后给出结论”或者“先列出你考虑的所有因素再给出建议”。这种做法的原理是模型的预测是基于上下文的当它把推理过程“写出来”时每一个中间步骤都会成为下一个步骤的上下文相当于用文字搭了一条推理阶梯。我做过一个对比让AI回答一道多条件判断的题目直接问经常出错加了“请逐步推理”之后正确率明显提升。不过要注意不是所有任务都需要思维链。简单问题比如“今天天气怎么样”这种加了反而显得啰嗦。而且不同模型对思维链的遵从程度不同有的会“假装思考”输出一段冗长的废话后才给出答案。遇到这种情况可以限制字数“请用不超过200字一步步分析然后给出结论。”3.6 技巧六否定指令清理减少错误行为“不要写套话”“不要说正确的废话”“不要用AI味太浓的表达”——这些都是否定指令。它们有用但单独用效果有限。原因在于模型很难理解“不要”后面的东西到底是什么它只知道你不喜欢却不知道怎样做才能让你喜欢。更好的写法是“否定指令替代动作”。比如你不想让AI写出来的东西有AI味不要只写“不要有AI味”而是写“请使用短句多用具体的动作描写和细节避免‘首先其次最后’这类连接词把形容词改成可见的描述”。这样模型就有了明确的执行方向。这个技巧在长文写作里特别有用。我让AI帮忙润色报告时通常会给一个“目标风格示例”再配合“不要使用以下高频词赋能、抓手、闭环、颗粒度……”效果比单纯说“自然一点”好得多。3.7 技巧七关键词权重控制精调图片生成这个技巧更偏向AI绘图场景也就是Stable Diffusion、Midjourney、即梦这些工具。语言大模型和绘图模型的提示词写法差异很大。绘图模型本质上是把提示词里的关键词映射到图像特征上关键词之间的逗号分隔、权重值、负面提示词都会影响出图效果。在Stable Diffusion生态里权重控制的常见写法是(关键词:1.2)表示提升权重[关键词:0.8]表示降低权重。权重越高这个元素在画面中的存在感越强。比如你想生成“一只鹈鹕骑在自行车上”如果模型总是画不出鹈鹕的特征可以写成“鹈鹕:1.3、弯钩状的大嘴、白色羽毛、自行车:1.1”把重点元素单独加权。负面提示词同样关键。想要画面干净通常是“模糊、低画质、水印、文字、多余手指、肢体扭曲”这些。很多人在生图时只注重正向描述忽略了负面提示词结果画面里总出现莫名其妙的元素。记住一个原则绘图模型的提示词是在做“视觉要素的权重分配”而不是在写句子。相关工具很多建议在对应社区的wiki里查一下你所用模型的具体语法。3.8 技巧八逐步迭代追问用对话打磨结果提示词并不只是一次性输入它也可以是一段动态对话。如果你一开始就没想清楚具体需求其实不用逼自己一次写完美。先给一个粗略方向让模型出一版初稿然后再通过追问不断收敛。比如你先写“帮我写一段产品介绍”等模型输出后再补一句“第二段太官方了改成朋友安利产品的那种语气。”“再加一个具体的使用场景比如上班族下午三点犯困时喝一罐。”“把最后一句改成呼吁行动。”这么一轮轮调下来最终结果会远比第一次的粗略输出精准。迭代追问的关键是每次指令只改一个局部不要把“全部重写”和“改某一段”混在一起。如果你说“重新写一遍”模型很可能把之前还不错的段落也改没了导致之前的工作白费。我习惯在追问时明确范围比如“只修改第三段”“保留第一段的标题其余部分润色”。3.9 技巧九反推优化让模型自己分析提示词这个技巧是最近才系统性用起来的非常推荐。它解决的是“我不会写提示词”的困境。当你手里有一段理想的输出却不知道怎么让模型稳定复现时可以把目标输出反过来扔给模型让它帮你想提示词。我在实操中会这样问“我有一段参考文本粘贴原文。请分析这段文本的语言风格、结构逻辑和措辞特征为它生成一份可以复现类似风格的提示词。提示词中要包含角色设定、写作要求、风格约束三个模块。”模型反推出来的提示词往往比我自己拍脑袋设计得更贴近目标风格。也可以用让模型审核提示词“请分析以下提示词存在的模糊之处和逻辑漏洞并给出改进版。”这个用法本质上是把模型当成提示词检验员让它从更客观的角度帮我们查漏补缺。不过反推的结果不能直接拿来用还是要人工审核一遍毕竟模型有时会自己脑补一些不存在的偏好。3.10 技巧十状态检查用测试题摸清模型边界最后一个技巧和业务无关但直接影响业务效果。就是把“测试模型当前能力”这件事固化下来。大模型每次对话的状态不完全一样尤其在长对话中模型可能逐渐忘记原始指令或者在某个话题上“犯迷糊”。与其等任务做砸了再排查不如先用小题目测一测。我平时会保存一份测试提示词集覆盖几类基础能力数值推理“甲有3个苹果给了乙2个又买了5个现在有几个”文字细节“strawberry里有几个r”组合语义理解“请描述一只鹈鹕骑着自行车过马路的画面。”格式遵从“请用JSON输出三种蓝色水果。”前两类测试模型的基础推理能力第三类是检查模型对复杂语义组合的理解力。你可能在AI绘画社区里看过很多“鹈鹕骑自行车”的测试图就是因为这个短语同时包含动物主体、交通工具、动作姿态和空间关系如果模型理解不到位出来的图会非常离谱。把类似的测试题放在提示词里跑一遍能快速判断当前模型的“状态在线”程度。这个技巧的额外价值是能够在你切换不同模型时快速建立横向对比。我每次接入新模型都会先用同一套测试跑一遍知道它的强项和弱项后续写提示词时就不会盲目抄旧模板。4. 提示词模板库六大场景直接可用4.1 通用写作模板公众号/公文/邮件模板这东西不是为了让你偷懒而是为了让你在最短时间内搭起一个有效框架。下面这套是我个人用得最多的通用写作模板基本覆盖公众号推文、工作邮件、方案汇报等场景。你是一位有多年从业经验的资深内容编辑文风自然、清晰、贴近读者。 任务写一篇关于[主题]的文章。 目标读者[描述读者类型比如40岁的企业中层管理者] 内容要求 - [关键点1] - [关键点2] - [关键点3] 结构要求开头提出一个读者会关心的问题主体给出可实操的信息结尾给一个明确建议。 字数约[XX]字。 避免空话套话避免“首先/其次/最后”式流水账用具体例子、场景和数字支撑观点。使用时直接替换方括号内的内容就行。我习惯在模板后面再加一句“全文不要使用‘赋能’‘抓手’‘闭环’这类空词”这样AI味会小很多。4.2 代码开发模板需求文档驱动AI很多程序员朋友已经习惯让AI写代码但经常遇到“它写得很快但是净写些用不上的东西”的困扰。这种情况往往是需求没讲清楚。结合“需求分析文档逐步开发”的思路我整理了一个适合用AI辅助开发的模板。你是一名经验丰富的[后端/前端]工程师精通[语言/框架]。 这是我们项目的需求文档 [粘贴需求文档内容] 请按以下步骤完成任务 1. 提炼核心需求列出功能点清单 2. 说明技术选型理由画出数据模型 3. 编写核心代码实现关键位置加注释 4. 给出至少3条测试用例 注意事项 - 如果需求文档中有不明确的地方请先逐条列出问题不要急着写代码 - 输出时先给结论再给代码实现 - 代码块必须标注语言类型这个模板最大的优点是逼模型“先问问题再动手”避免它拿着模糊需求乱发挥。实操中即使模型列出了问题你也不是逐条回答而是把回答丢回去让它继续。经过一轮澄清后写出的代码比直接让它写要干净得多。4.3 图片生成模板AI生图通用公式AI生图的提示词和文本提示词逻辑很不一样。我自己的公式是主体动作场景风格光线构图细节负面提示词。其中前四项是必需的后四项视情况添加。主体一只鹈鹕骑着自行车 动作翅膀微张身体前倾表情专注 场景乡村小路两侧是油菜花田 风格写实摄影风格自然光 构图主体居中背景虚化 细节鹈鹕的喙清晰可见自行车金属反光质感 负面提示词模糊低画质多手多脚水印文字构图混乱如果你想要“CG风格人设”“模糊照片变清晰”“AI漫剧”这类需求只需要替换风格段和细节段。比如处理模糊照片变清晰时可以写“enhance details, remove noise, sharpen edges, keep original composition”负面词则加上“mosaic, blur, watermark”。核心是让模型知道你要保什么、改什么、去掉什么。4.4 视频与分镜模板文生视频分镜AI视频生成越来越火但很多人写出的提示词只有一句话导致画面连续性差、动作不自然。视频提示词需要包含镜头时间、景别、运动方式、主体动作和环境氛围。下面是一套分镜描述模板。你是影视导演。请把我提供的以下故事改写成连续分镜 [粘贴故事描述] 输出为表格包含以下列 编号 | 景别远景/中景/近景/特写 | 画面主体和动作 | 运镜方式推/拉/摇/移/跟随 | 环境和光线 | 建议参考关键词 要求 - 每个分镜的画面描述要具体到主体的肢体动作、表情和关键道具 - 参考关键词控制在10个以内便于视频模型理解 - 分镜数量不少于8个保证故事有起承转合这套模板适用于AI漫剧、短剧、产品宣传片等场景。如果你在某个视频平台上看到一条好看的AI视频也可以把视频画面反推成文字描述再放进这个模板里生成新的分镜草稿。4.5 数学建模与数据分析模板数学建模、统计分析和数据挖掘这类任务AI的参与程度越来越深。下面这个模板结合了论文写作、建模分析和代码实现三个环节是国内数模竞赛场景下高频使用的一种思路。你是一名数学建模竞赛选手擅长优化、统计和机器学习建模。 题目[粘贴题目] 请按以下结构完成 1. 问题重述用自己的话复述题目要求 2. 模型假设列出你做了哪些合理假设 3. 符号说明用表格列出所有符号含义 4. 模型建立写出核心公式和建模思路 5. 模型求解用Python给出实现代码注释清楚 6. 结果分析说明模型优缺点并给出改进方向 输出要求先给文字结论再给可运行的Python代码。这个模板的关键是“模型假设”和“符号说明”这两步。很多人直接让AI写代码但忽略了模型本身成立的边界条件结果代码跑通但解释无力。根据我的经验强制模型先写假设能逼它对问题边界想得更清楚后续代码的可用性反而更高。4.6 长篇小说创作模板去AI味写法用AI写小说最常被吐槽的就是“AI味太重”。所谓AI味来源大多是形容词堆砌、排比句式、哲理金句和“仿佛”“宛如”“竟然”这类滥用词汇。要解决这个问题模板里的约束要给得足够具体。你是一位出版过长篇小说的类型文学作家擅长用短句、动作和对话推进叙事。 请创作一篇[题材]小说。 世界观设定[简短描述] 人物小传 - 主角[姓名][性格、目标、弱点] - 配角[姓名][性格、与主角关系] 故事梗概[三句话内] 写作要求 - 使用第三人称限知视角跟随主角的所见所闻推进 - 多用动作描写、场景细节和人物对白少用形容词堆砌 - 每章末尾留一个悬念钩子 - 禁止使用“仿佛”“宛如”“不禁”“竟然”等词汇 - 展示而不是陈述写“她把咖啡杯重重放在桌上”不写“她很生气” 请先写前两章每章约2000字。写小说时还有一种进阶用法把你喜欢的一个作者的一段文字贴进去让模型学习语感。比如写完设计要求之后再加一句“请参考以下文风写第一章……”然后粘贴一段参考文本。模型会努力模仿这段文本的句式节奏比干巴巴写“请模仿余华的风格”效果更稳。5. 高频翻车现场与排查思路5.1 答非所问任务定义太模糊模型给出的答案和问题对不上最常见的原因是任务描述太宽泛。“介绍一下你的产品”“写一份方案”这类指令模型的自由发挥空间太大。排查思路很简单你写的提示词里是否包含一个明确的动词任务是否说明输出格式是否给出了背景信息如果答案全是“否”按五要素清单补全即可。我踩过最多的坑是把两个任务塞进一句话比如“分析这份数据并写一篇报告”。模型可能会纠结到底该侧重分析还是侧重写作。拆成两个步骤先分析后写报告输出质量会稳定很多。5.2 输出格式总是不对格式约束不严格让AI输出JSON结果它把JSON包裹在代码块里让它列表格它给出了带markdown符号的列表让它输出100字摘要它洋洋洒洒写了500字。这些都属于格式约束不严格。解决方式是把格式要求写得更绝对。我常用的几句话“只输出JSON不要使用代码块包裹。”“输出一个Markdown表格表格外不要有任何文字。”“摘要长度控制在100字以内超出部分直接截断。”“如果某项信息未提供用null占位不要编造。”如果模型还是不听话就在提示词里加一个“示例”把期望的格式直接展示出来。模型看到具体的输出样例会比抽象要求理解得更准确。5.3 生成的图不是想象的样子负权重和细节分开写AI绘画翻车基本是三个原因主体描述太笼统、风格词互相冲突、负面提示词没写好。比如你想生成“一只鹈鹕骑自行车”如果不加权重模型可能生成一只天鹅骑独轮车或者一只鹈鹕站在自行车旁边这就是语义组合理解不到位。这时要把核心对象的关键特征分别描述并用逗号分组让模型更准确地理解你要的画面要素。风格冲突是另一个高发问题。“写实摄影风”和“二次元动漫风”同时出现在一个提示词里模型会强行融合结果四不像。我自己的原则是一段提示词只保留一个核心风格词其他细节都围绕这个风格去写。负面提示词里优先写“水印、文字、模糊、低画质、肢体扭曲”这些能挡住大多数问题图。5.4 结果一股AI味改否定词为肯定词“AI味”是个很抽象的问题但落到操作层面解决办法是很具体的。我发现AI味主要来自三处抽象形容词太多、排比句式频繁、连接词机械。要在提示词里去AI味不要只写“自然一点”而是要写具体动作。比如“咖啡杯被放在桌上”AI会写成“她的一只手缓缓抬起白色的咖啡杯又轻轻放回桌面眼神里透露出一丝复杂”。这就是典型AI味。我通常在模板里明确写“用短句”“不要堆砌形容词”“直接写动作不要写情绪”。多打磨几次提示词之后出来的文本跟初稿完全是两个水平。5.5 提示词注入攻击要提前防御最后提醒一个安全层面的问题。提示词注入攻击指的是用户输入中夹带“忽略之前所有指令”之类的内容诱导模型执行非预期行为。这类风险主要出现在把大模型接进Agent、聊天机器人、客服系统时。防范思路有三条第一不要让用户输入直接拼进系统提示词尽量把用户消息和系统指令分开存放第二对模型输出做规则校验禁止输出系统内部指令或敏感配置第三涉及外部工具调用时使用白名单机制不要让模型自行决定是否调用。这些本质上是系统工程问题单靠提示词写得多好都堵不住漏洞。如果你在开发相关应用建议把“安全提示词”和“用户输入处理策略”当成基础设施来设计而不是事后补救。最后说说我个人的使用习惯。每次写提示词之前我习惯先问自己三件事我想要什么样的输出格式我给它的背景信息够不够它最容易在哪个环节理解错这三个问题想明白提示词基本不会差。模板库只是起点真正值钱的是你根据自己业务场景反复打磨出来的那一批“定制款”。随着用的次数多了你会发现提示词工程背后考验的其实是拆解问题、理解需求的能力。
