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
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。
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。
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？
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：
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。
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。
“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。
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。
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。
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。”
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。
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。
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。
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～
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。