在AI时代，提示词不只是“指令”，而是表达的延伸。真正高效的提示词，源于对意图的精准传达与语境的深度理解。本文将从表达逻辑出发，拆解提示词的底层机制，帮助内容创作者、产品人、运营者构建更具控制力的AI协作方式。

AI世界的探险家们，集合啦！

咱们在AI这片广袤新大陆上探险，手中都握着一把叫“提示词”的万能钥匙。但你有没有过这种抓狂的时刻：

明明感觉自己离宝藏只有一步之遥，但这把“钥匙”怎么拧，宝箱就是不开？

甚至，它还会召唤出一堆让你哭笑不得的“小怪物”？

到底如何才能让AI精准Get到我们的意思呢？

我找了很久，翻遍了各种技术文档，看了Prompt工程的论文，

结果你猜，我从哪儿找到了那张真正的“藏宝图”？

说出来你可能不信，就在《关于说话的一切》这本书中！

是的，你没有看错哈，提升与AI的沟通能力最快的秘籍，确实藏在如何与人沟通的智慧里。

如果只允许我推荐一把“屠龙宝刀”，那就是它了！

小伙伴们，如果只能用一个词来定义提示词，你认为会是什么呢？

一位提示词专家给出的答案是：表达

这本书也直接给我们一幅藏宝图，把看似玄学的“表达” 拆解成三个简单易懂的要素：

表达=本意+文意+解意

哈哈，别被这仨词给唬住，我们来通俗讲讲：

第一站：心中的宝藏（本意）–你真正想让AI做什么？

这是一切提示词的起点。

你得先搞清楚：你要AI帮你解决的问题是什么？希望它输出什么样的结果？

举的例子：

大多数人写提示词失败，不是因为不会写，而是——压根没想清楚自己要什么。

比如：

“帮我写一段券商客服的话术。”

这不叫本意，这叫模糊。本意应该是：“我希望AI帮我识别客户情绪，并输出一个安抚式回复，让客户不生气。”

你不清楚的本意，AI更不可能懂。

第二站：念出寻宝咒语(文意)–你怎么跟AI说？

当你准备把宝藏挖出来时，你得念对咒语！这就是“文意”。

AI不懂读心术，它只看文字。

于是你的表达就变成：

“请你扮演一名券商智能客服，根据客户留言判断情绪（正面/中性/负面），并生成一条安抚性话术。”

这就是你的文意。 它是你的“提示词文本”，是你跟AI沟通的方式。不同的表达，结果可能天差地别。这就是我们每天在琢磨的——提示词本身。

第三站：AI的解读（解意）–AI是怎么理解你的表达？

解意是“AI听懂了什么”。

你念出咒语，那个强大又有点“一根筋”的AI精灵就开始干活了。它会按它的理解来“解压缩”你的咒语。如果你的咒语（文意）没能精确传达你心里的宝藏（本意），那它挖出来的，可能就是一座“金色的土山”……

比如你说：“分析客户情绪”，

AI可能理解成“做情感分类任务”，

也可能理解成“生成带情绪判断的回复”。

这就是解意。 是AI眼里的“你”。

是不是瞬间就懂了？我们和AI之间的误解，就出在“你心里的宝藏”和“AI挖出的宝藏”出现了偏差！

这本书瞬间点醒了我：虽然我们每天都在疯狂优化“咒语”（文意），但我们常常忘了，最最关键的第一步，是先搞清楚自己心里那份藏宝图（本意）到底画的是什么！所以说，本意永远是司令，文意只是先锋。先问清自己的内心，再去跟AI对话，你会发现，

哇，整个世界都清晰了！

决定模型效果的决定性因素

在表达公式的映射下，我们可以发现大模型的输出效果实际上也由三个因素来决定：

一、大模型本身（LLM）

当我们的提示词没有达到预期效果时，可能是本意表达不清楚，也可能是文字表述不恰当。但是即便本意和表意都准确的情况下，如果我们模型选的不对，模型能力不足，依然无法得到想要的输出。这也是我们在日常生活中要做模型评测的原因。

比如：Kimi 有“长文本处理王者”的称号，在文档阅读、资料整合与信息速读方面的能力尤为突出。是研究员、律师、学生和金融分析师的效率神器。

DeepSeek在代码生成和数学推理领域表现顶尖，是垂直领域的“专才”。根据需求从零开始编写功能模块、调试（debug）现有代码中的错误、将代码从一种语言翻译到另一种语言，或解释复杂的算法。对于程序员、数据科学家和需要进行科学计算的用户来说，它是一个非常得力的“技术伙伴”。

Gemini原生多模态能力强大，与谷歌搜索和生态系统（如Workspace）深度融合，信息获取具有实时性。

多模态融合能力强：能够处理图像、音频、视频、文本，在复杂跨模态任务中优势明显。

当你的任务需要实时或近实时获取网络 / 搜索结果（尤其结合 Google 搜索能力）时，Gemini 能更灵活整合最新信息。

在跨模态、复杂内容处理（比如文档 + 图片 + 音频混合输入）中，Gemini 更有优势。

选择哪个模型，取决于你的核心任务是什么。让Kimi去进行创意写作可能不如ChatGPT，让DeepSeek去分析财报可能不如Kimi。正所谓，找对“人”，才能办对事。

二、任务本身（Task）

在写提示词时候，我们必须理解任务的具体要求。如果缺乏明确的任务定义，输出的结果可能总是差强人意。就像你在下达任务时，其实你也没想清楚，那么你的传达下去，不知道会被理解成啥样。人和人之间如此，何况人和AI之间呢？所以说，清晰明确的任务本身就是一件决定结果的重要因素。

三、提示词（Prompt）

为什么把提示词放在第三个呢，很显然，提示词更像一个结果，而不是原因。真正的原因是前面两个因素：大模型和任务。选择的大模型是否合适？对任务理解的是否透彻？思路是否真的理清楚了？

那为什么提示词获得如此多的关注？因为它是非AI工程师，普通人能直接操控和调整的唯一因素。

那到底如何才能写出高质量的提示词呢？

是时候拿出我的屠龙宝刀啦–AI四象限法则

AI 四象限法则

AI四象限法则，最初是由一个提示词专家提出来的，这个框架的灵感，来源于心理学的经典框架，乔哈里视窗。

心理学家乔瑟夫和哈里在1955年提出了一个沟通技巧和理论模型–乔哈里视窗。

它将人际沟通比喻为一个窗子，被分为开放区、隐秘区、盲目区和未知区四个部分，有效的沟通就是在这四个区域中实现的。它有助于个体提高自我意识，减少隐私和盲点，促进人际关系的良好发展。

如果把这个工具中的对方知道和不知道 改成 AI知道 和AI不知道，就会出现非常微妙的变化。

这个提示词框架真正厉害的是帮助我们去看清楚，我们和AI之间到底发生的是什么样的交流。

我们见到的所有提示词技巧全部都能装进这四象限，激动人心的时刻要！来！啦！

你准备好了嘛？跟着我一起走进提示词四象限的世界吧～

象限一：人知道，AI也知道–简单说

在第一象限，AI知道，人也知道，AI充当助理的角色。在这个象限，我们只需要简单表达即可，不需要太多铺垫，不需要说角色、背景、要求等，直接清晰简单的描述即可。比如让AI帮我润色一下文案，让这个文案，更有张力和吸引力。

象限二：人不知道，AI知道–提问能力

在第二象限，我们需要在连续对话中给予基础的连续性启发，非常考验我们的提问能力。在这个领域，提示词的核心技巧就是如何提出好问题。

比如你想学习RAG，那你可以连续性去问AI，比如：什么是RAG？RAG的技术原理是什么？它和传统的知识库有什么区别？RAG能够应用到哪些领域，如何提高RAG的召回率？Top K针对不同行业是如何设置的？如何提高召回率等等。AI就会一层一层地带你了解，并且给你讲清楚。

这个象限是最能提升我们学习效率的，前提是要学会去提问。

象限三：人不知道，AI也不知道–共创模式

在第三象限，我们和AI面对的都是未知的领域，

可以把 AI当作自己的学习搭子，遇到不懂的知识我们会去查，这个时候就可以让AI去帮助我们，让AI提供素材和思路，而我们负责判断和思考。

多说一句，感觉这个象限更像是为那些已经触及人类知识边界的学者准备的。通过这种共创模式，这些学者们可能会获得新的启发和灵感，从而推动知识边界再往前迈一步，Respect～

象限四：人知道，AI不知道–投喂数据

在第四象限说明，人已经掌握了AI还没有学会的知识，比如每个公司独特的业务流程，项目思路，年度目标等。

这个时候，就是喂数据给AI。不是去问AI，而是去教它。比如：这是我们今年的流程优化策略、项目的产品文档、知识图谱、请你基于以上内容给我输出一份详细的分析报告，制定可执行落地的OKR。

在这个象限，几种典型投喂数据的模式咱们一起来看一下吧～

一、RAG，检索增强生成

RAG 就像是给大模型装了一个知识外挂。通过接入知识库的形式，让AI先查资料再回答问题的能力。

之前看过在 OpenAI 分享的案例中，通过对 RAG 技术的应用将回答准确率从45% 提升到了 98%，可见 RAG 的重要性。

这里我不过多赘述了，想了解更多的宝子们请移步看这篇文章–《从0到1构建 RAG 知识库》。

二、有监督微调（SFT）SFT（Supervised Fine-Tuning）指的是在已有大模型（通常是预训练模型，如GPT、LLaMA等）的基础上，通过人工标注的数据集进行的有监督训练，让模型学习人类希望的行为方式。

在SFT阶段，我们不再让模型在互联网的汪洋大海里漫无目的地学习，而是拿出人类专家精心准备的“高质量习题集”（人工标注的Q&A数据）。这本习题集里都是一问一答的标准范例，比如：

• 问：“法国的首都是哪里？”
• 标准答案：“法国的首都是巴黎。”

我们的目标是让模型通过学习这些“标准答案”，变得更听话、更有用，能准确地回答人类的各种问题。这个过程能极大地提升模型的表现。

三、举例子

举例子就是用一些few-shot或者 Multi-shot learning的方法–“少量提示”或“多次提示”。

通过在提示词中提供一些精心制作的示例，可以显著提高模型输出的准确性、一致性和质量。在某些情况下，提供示例可能更容易。例如，如果您打算让模型复制一种难以明确描述，特定风格的回复。

你给大模型去提要求的时候，可以写几个具体的案例。比如你希望模型去写简洁的用户手册，那就在提示词中给模型两个参考样本，让大模型去模仿参考样本的写作手法和语气。

我在学习AI产品知识，写提示词时，我就喜欢给AI举例子，比如：

当我们给AI示例示范时，其实是在让AI感知例子中的模式，让AI通过自身的泛化能力来理解并应用这个模式。

RAG、SFT微调以及举例子，这三种技术最主要的目的是填补我们和AI之间的信息鸿沟。

这个框架为什么这么重要？

1.通过四象限法则，我们会发现人和AI的协同，不是单向的，而是多种方式的共存。

2.人和AI真正有价值的交互体现在两个象限，

第二象限：AI知道，我不知道，AI来教我们；

第四象限：我知道，AI不知道，人来教AI。

第二和第四象限对于提示词的要求是极高的。

那如何写出高质量的提示词呢？下面我就分享几个亲测好用的提示词技巧。

嗨！别跑神哟，上干货啦！

提升提示词质量的小技巧

Prompt（提示词）作为大模型的核心输入指令，直接影响模型的理解准确性和输出质量。优质的 Prompt 能显著提升大语言模型处理复杂任务的能力，如逻辑推理、步骤分解等。

技巧一：结构化表达

对于AI初学者，你可以不具备理工思维、不会用一些专业符号。如果可以掌握不同提示词模版中的语言逻辑，学会结构化表达，其实就够用了。

对于进阶学者，可以了解一下Markdown格式输出～

Markdown 是一种带标记的语言，比如例子中 “#”代表一级标题，“##”代表二级标题，“###”代表三级标题..Markdown 语言既能方便人来操作，又能让计算机很好理解。所以在提示词的撰写中，我们可以常使用这种格式。

技巧二：人设法

“人设法”的核心在于，明确地告诉AI“我是谁”、“我的背景如何”、“我的需求是什么”。这就像你在现实生活中与人交流一样，会根据对方的身份和认知水平来调整自己的表达方式。当你给AI一个清晰的“人设”定位时，AI就能更好地理解你的意图，并以更贴合你需求的方式进行回应。

在使用人设法时，需要清晰表达以下几个信息：

• 明确自己的身份和角色（“我是谁？”）：告诉AI你在当前情境中的身份，比如是学生、老师、技术专家、销售人员、普通用户等。
• 说明你的背景知识或认知水平（“我处于什么水平？”）：告知AI你对讨论主题的了解程度，例如是初学者、有一定基础、专业人士，或者完全不懂。
• 阐述你的具体目标或需求（“我的目标是什么？”）：清晰地表达你希望从AI那里获得什么，例如是解释概念、解决问题、提供建议、进行创作等。

下面是我常用的角色设定提示词：

技巧三：逆向思维

你有没有遇到过这种情况：

写作的时候对着空白文档发呆，脑子里只有一个念头——“我到底该怎么写？”其实，高手不是凭空生出灵感的，他们反着来。他们不是“从零开始写”，而是先找到一个参考文本。

第一步：找到你的“参考文本”第二步：对AI说——帮我“反着拆”这篇文章

你可以对AI说：

请对下列{文本}进行逆向提示词工程，生成一个可以仿写这段文章的提示词。

要求：

1. 提炼文章的语气、写作风格、句式节奏、用词习惯；

2.分析它的节奏变化、情绪起伏、结构逻辑；

3.生成一个可以复用的“风格模版”，让AI能以任意主题写出类似风格的文章。

技巧四：好用的提示词框架分享

一、RTF

R： Role（角色），T：Task（任务）， F：Format（格式）

比如在券商智能客服的场景中，提示词我们可以用RTF这个框架来写：

对于更复杂的任务呢，可以使用这个框架

二、B.R.O.K.E 框架

• 背景（Background）：提供任务的语境，让AI理解「在哪个场景」工作；
• 角色（Role）：指定AI的身份、语气、专业领域；
• 目标（Objective）：明确这次要完成什么；
• 关键结果（Key Result）：定义可衡量的结果指标或产出格式
• 改进（Enhancement）：让模型自检输出质量，指示AI在输出中要优化、反思、或改进的维度

最后啦，再分享一个我觉得很好用的Prompt调试小工具吧–promptpilot。

总结

在AI时代，我们要能随时关注AI的变化，AI的进化不是终点，人类的提问才是起点。我们真正要做的不是信息量大堆积，而是提炼信息、连接信息的能力。

爱因斯坦的曾说过：想象力比知识更重要，因为知识是有限的，而想象力是无限的。

在AI时代，我认为还可以加一句，重要的不单单是想象力，如何让AI打开想象力的能力更为重要。

以上，既然看到这里，如果觉得不错，随手点个赞和收藏吧。如果想第一时间收到推送，也可以给关注我哟～谢谢你的喜欢，咱们，下次再见吧～