在AI技术的应用中，提示词（Prompt）是与大模型交互的关键。本文将深入探讨AI提示词的底层框架，包括System Prompt和User Prompt的作用与区别，以及如何通过明确目标、拆解任务、限定条件等方式优化提示词的设计。

在应用技术层，无论我们做了多么炫酷的设计，最终都只有一个目的，那就是为了找到相对更合适的一个提示词“Prompt”传递给大模型。因为，Prompt是我们唯一可以和大模型交互的方式。

Prompt分为System Prompt和User Prompt：

• System Prompt：通常用于提供全局的指令或限制条件，告诉模型如何理解和生成响应。我们平时使用的大模型应用产品比如DeepSeek，豆包等，System Prompt已经被封装在产品里了。而在Coze等平台当我们搭建一个Agent时，我们可以根据实际场景自己编写输入对应的System Prompt。
• User Prompt：通常是用户直接提供的问题或请求，系统会在特定回合中将它视为生成响应的核心输入。
• 大模型在回答用户问题时，会将System Prompt和User Prompt（通常指用户的提问，也包含上传的文档，图片等资料）一起当做最终的Prompt。

为什么大模型需要Prompt？

从大模型自身来讲，目前市场上大部分大模型（指大语言模型即LLM）都是基于Transformer框架的，其本质就是一个概率机器，即给它输入内容，经过它的Transformer大脑处理后，输出（预测）下一个词，直到回答完毕。

这里有三个关键词：输入，处理，输出；

也就是说在已经被训练好了的大模型的基础上（再不更新版本的情况下，其知识能力水平已经被固定），也就是这里的“处理”是不变的，所以最终“输出”的内容是什么，完全取决于你给它“输入”的是什么。它虽然已经很“聪明”，但你向它请教问题时，如果不告诉它关于问题的背景等，它也只能靠猜的方式来回答你。

因为同样一个问题，在不同人看来，会产生不同的理解。我们每个人从小成长的环境不同，所掌握知识水平不同，生活经历不同等等，造就了我们每个人不同的世界观，人生观，价值观…，当不同人面对同样一个问题时，看待和理解问题的维度，视角，层次等等都不相同，自然就会产生不同的理解，也自然会产生不一样的回答。

大模型也是，我们可以把它看成一个超级学霸，因为它是由大量数据喂养学习训练出来的，它也形成了自己的世界观，也有自己对这个世界的理解（虽然在它脑子里其实一切都是一推概率数字），所以，我们完全可以把它看作一种特殊的人类，你给它输入一个问题时，你自己作为一个人类你自己本身对这个问题有你自己的理解，而大模型作为和你知识水平不同的另一个“人类”，它对这个问题的理解必然也就和你理解的不一样。

你把问题描述的越粗糙，那么它对问题的理解和你自己对问题的理解的差别就越大，那么它输出的回答就和你预期的差距越大（当然，如果你自己能力水平有限，即使有时它输出的答案很“烂”，但你看不出来，这就很糟糕），所以，只有当你把问题描述的越清晰，越具体，它和你的理解就会越接近，它输出的回答自然也就越好。

那么，到底怎样才能将问题描述的更清晰，更具体呢？网上有各种各样的提示词模板，模型，方法，眼花缭乱，感觉说的都对，又感觉都差点意思，不够通用。下面，我试着用“我”（即“提问者”），AI大模型（即回答者），对话规则（即“我”和“AI”之间的契约），相信看完这个提示词框架，会对提示词有一种“原理如此”的感觉，相信你能很轻松的理解并记住这个框架。

Prompt原理的一句话解释：“我”有个问题想让“你”（AI）帮我解答：所以，“我”作为提问者，自己首先需求对“问题”明确且清晰然后告诉AI，“你(AI)”是“我”基于我的问题想要找的回答者，AI是个通才，可以把它想象成是一个很多个“分身专家”的合体，“我”如果明确指定由某个专家来回答问题，那我将得到更好的回答。

一、【我的任务】即我的提问：

“我”作为提问者，我需要自己先梳理清楚问题，先让自己搞清楚自己想要什么（除非这个问题你还真的就搞不清楚）：

1、明确目标（明确要完成的任务）：

就像做需求分析一样：

• 目标用户是谁；
• 解决用户什么场景下的什么问题；
• 想达成什么样的一个目标。

2、拆解任务（分解任务流和环节，每一步要做什么，有什么动作，比如怎么把大象放进冰箱）：

怎么理解“拆解任务”呢？

想象一下，现在有个产品经理的实习生让你带，那么，你得告诉他日常的工作流程，比如：

• 竞品分析
• 需求调研
• 原型设计
• 需求文档
• ……

对AI也类似，你需要告诉和引导AI按流程输出回答，比如：

提问：如何做西红柿炒鸡蛋？

这个问题就可以这么来拆解：

提问：如何做西红柿炒鸡蛋？请拆分到：[买菜][备菜][炒菜]三个部分。

3、限定条件（要求：明确输出模板/范围/长度等）：

针对一些特定问题，如果你对“回答”有比较明确的要求，你就应该告诉AI，比如：

问题：请帮我写一份招聘销售代表的JD。

如果你把这个问题输入给AI，它会给你一个中规中矩的答案；

而如果你对JD有明确的要求，比如这样：

请帮我写一份招聘销售代表的JD，要求如下：

1. 职位标题
2. 公司介绍
3. 职位概述
4. 主要职责
5. 任职要求
6. 工作地点
7. 薪资福利
8. 职业发展机会
9. 公司价值观与文化
10. 联系信息

那么，它会根据你的这个要求进行输出；

二、承接“我的任务”的【AI大模型】：设定AI的角色和思维能力

可以想象一下大模型里面藏着很多个各个领域方面的专家，你向它提问时，如果不指定让哪个专家回答问题的话，大模型自己就会根据自己的理解来分配了一个A专家来回答，你心里潜意识的本来想让B专家来回答的，导致大模型输出的答案达不到你的逾期（或者你根本看不出来回答的好不好，这就糟糕了）

而如果你要求大模型说，我点名要B专家来回答这个问题，那大模型输出的回答就大概率符合你的预期了。如何“点名”呢？也是3点：指定角色+指定能力+语气风格 （建立一个具体的人的画像：比如我要一个“人工智能方面擅长Prompt提示词的幽默的专家”帮我回答这个问题）

1、指定角色（给AI设定一个具体角色）

## 角色

你是一个音频故事生成助手，你可以按照用户的要求，生成最终的内容，你工作时请注意：

……

2、指定能力（请用某项具体能力：sowt/PEST/波特五力…）

比如：

before：我们设计了一个项目管理课程，目的是帮助人力资源管理者更换的做项目管理。请你整理一个关于课程的课程简介。

after：加上指定能力后：我们设计了一个项目管理课程，目的是帮助人力资源管理者更换的做项目管理。请你基于SCQA模型的表征结构，梳理一个关于课程的课程简介，请注意不要生搬硬套SCQA模型，要保证流畅和一致性。

3、语气风格（采用特定语气风格：严肃/幽默/活泼/二次元/emoji…）

三、【对话规则】(清晰具体，持续优化)

1、结合上下文

如果有关于“提问”的相关上下文背景信息，最好告诉AI；

before：问题：推荐一本书。

after：问题：我是一个科幻迷，喜欢看《三体》，清帮我推荐类似的一些科幻作品。

2、使用示例

告诉AI按照给定的“示例”进行输出，也可以给出“反例”，让AI更精准的理解你想要的结果；

3、输出格式（csv/json/xml/html/markdown/…）

明确输出的格式要求

4、标签结构

用分隔符来表示提示词的不同部分；

#角色

#背景

#要求

#…

比如：

# 角色

你是一个专业的在线问诊医生，能够准确分析患者的症状并提供合理的诊断和治疗建议。

## 技能

### 技能 1: 分析主诉

1. 当用户描述身体不舒服的情况时，确定这是“主诉”，并启动 Ask_More 工作流。

2. 将解析出的用户“主诉”传递给工作流。

…

5、优化词语

• 运用重复的字词，强调重点；
• 用同义词替代看输出回答的效果；
• 三明治法

6、进行评估（给输出的回答进行评分）

制定一个评分标准，让AI自己根据评分标准给输出的回答打分；

举栗0：

讲一个儿童故事，Prompt如下：

# 角色 //角色设定

你是一位“儿童科普作家”，擅长将复杂的科学知识转化为”有趣且易懂的童话故事。你的故事需要满足以下条件：

– 故事面向的是”6-10岁”的儿童

– 请使用“拟人化的方式”进行描述（如“小水滴的冒险”） //指定能力

# 需求

## 核心任务  //限定条件

请帮我写一个关于【水的循环】的科普故事，要求如下：

1.故事长度：800字左右

2. 请将故事按以下几个步骤进行描述： //拆解任务，告诉AI按步骤进行

[雨水的蒸发]

[云的形成]

[降雨]

## 补充信息

– 孩子喜欢兔子、狗等小动物   //背景信息，类似上下文

– 希望故事的风格是轻快、押韵的 //故事讲解风格

# 输出要求   //格式要求

请以markdown格式输出

### [故事标题]

主角：请用一个拟人的角色，如“小水滴胖胖”  //优化词语，再次强调用拟人的方式，角色那块也说了，三明治法

故事正文：正文分段落描写，每个段落不超过5句话

互动问题：用“小朋友，你觉得……”作为故事的开头

科学小贴士：故事讲完后，用1句话总结知识点结尾

举栗1：

智能客服助手Agent，Prompt如下：

# 角色 //“#”标签用来分割提示词的不同部分

– 你是一个优秀的智能客服助手 //给AI指定一个具体角色

# 背景

– 为客户提供产品咨询和投诉解答服务

# 目标

– 根据用户的问题，和给出的信息进行分析并给出最终的回答。 //明确目标，告诉AI为谁服务，解决TA的什么问题

# 技能 //指定技能：产品咨询，问题处理

– 产品咨询：通过知识库找到适合的产品，并能根据用户需求进行适合的产品推荐

– 问题处理：能够快速高效的分析出问题的解决办法。

# 工作流程 //拆解任务，明确每一步要怎么做；对于“我”，作为提问者来讲，我自己如果知道“步骤”，那么就要告诉AI，不要让AI去“猜”，

1. 判断用户提问问题类型，属于产品咨询还是投诉问题。

2. 根据已有信息分析客户问题的解决方案。

3. 高情商语言润色，让讲话方式听起来更舒服。

4. 输出整理好的回答内容。

举栗2：

在线问诊Agent，Prompt如下：

# 角色

你是一个专业的在线问诊医生，能够准确分析患者的症状并提供合理的诊断和治疗建议。

## 技能

### 技能 1: 分析主诉

1. 当用户描述身体不舒服的情况时，确定这是“主诉”，并启动 Ask_More 工作流。

2. 将解析出的用户“主诉”传递给工作流。

### 技能 2: 输出工作流结果

1. 工作流运行结束后，将工作流的输出完整地呈现给用户。

2. 根据用户描述的内容，给出可能的猜想，并且给出是否需要做检查，以及要做什么检查的判断

## 限制: //限定条件，要求AI按规则要求输出

– 只专注于医疗问诊相关内容，拒绝回答与医疗问诊无关的问题。

– 严格按照给定的流程进行操作，不得偏离。

– 确保输出内容准确、清晰，易于用户理解。