提示词是与AI大模型沟通的唯一桥梁，其质量直接决定了大模型能发挥几成功力！这篇文章结合作者大量实战经验，拆解写好提示词的核心逻辑：从调整“带新人”的沟通心态，到涵盖角色、任务、规则等要素的固定结构，再到持续迭代的优化思维，更分享了“AI生成提示词”“反向推导他人提示词”等高效技巧。

从我接触 AI 项目到现在，手搓的工作流两只手都数不过来了，写的 Prompt（提示词）没有上百也有几十。加上阅览过大量别人写的优质 Prompt，我发现：如果抛开具体的应用场景，写 Prompt 其实是有套路可循的，也有很多技巧可以借鉴。

首先，我们为什么要死磕 Prompt？

因为这是我们跟大模型通信的唯一途径，我们的诉求、背景信息全得靠它传达。既然大模型是基于 Prompt 输出结果的，那么 Prompt 的好坏，直接决定了你能调用出大模型几成的功力。

结合我的实战经验，要想把 Prompt 写好，得做好以下几点：

第一，调整心态：不是聊天，是带新人

我们应该抱什么心态写 Prompt？是日常聊天吗？不是。 实际上，写 Prompt 更像是给一个刚毕业的大学生布置任务。你必须把任务交代得清清楚楚。

如果你自己读起来都觉得磕磕绊绊、逻辑不通，那大模型就更难理解了，自然也不会是一个好 Prompt。

第二，遵循万变不离其宗的结构

Prompt 的结构其实很固定，通常包括：

• 角色设定（你是谁）
• 任务目标（要做什么）
• 规则与步骤（怎么做、顺序是什么、何时跳步）
• 可用工具（能用什么辅助）
• 限制条件（什么不能做，边界在哪）
• 输出格式（交付物长什么样）
• 示例（打个样）

这还是给新员工布置任务的逻辑：做什么、不做什么、用什么做、交付成果是什么，一一说清，大模型的交付才能符合预期。

这里面的核心要素有四个：

1. 任务具体化：相信描述任务。如果词语语义模糊，必须进行名词解释。
2. 明确边界：告诉大模型能做什么，坚决不能做什么。
3. 清晰的规则和步骤：先做啥后做啥，逻辑要顺。
4. 提供示例：有时候语言很难描述清楚，给一两个例子就能让它明白。注意，示例不用多，两三个足矣。如果给太多，反而会干扰大模型对指令的理解。

第三，要有迭代思维

大家现在看到那些很成熟、很完备的 Prompt，几乎没有一个是一次成型的。 所有好 Prompt 都是从一个烂草稿开始：先跑一遍看效果，根据大模型的反馈去调整、去修补，逐步优化直到符合预期。 这就是迭代思维：不怕开局烂，就怕你迭代的次数不够多。

第四，善用工具

怎么偷懒写出好 Prompt？

1. 原汤化原食

把任务的简单描述丢给大模型，让它帮你生成一个完善的 Prompt。你拿到后再进行简单微调，用这个「AI 写给 AI 的指令」去生成内容，效果往往出奇得好。

2. 反向推导

这是一个骚操作。掌握这个方法，你以后都不用在评论区跪求别人的 Prompt 了。

方法是：直接把别人的生成结果丢给大模型，让它反推 Prompt。

简单演示一下。

在昨天的文章《简单复刻了 NotebookLM 的 PPT 生成功能》中，我们生成了PPT。现在，我们就来反向推导生成这个PPT的提示词。

你可以直接把 PPT 截图塞给大模型，让它去推测生成这个 PPT 的指令是什么。

这样，就反推出了提示词。接下来我们验证这个提示词的效果，用它生成图像，并对比前后两张图。

你看，效果还不错吧。前后两张图差别不是很大，这就验证了方法的可行性。

当然，因为大模型本质是概率模型，出现细微偏差是正常的，但核心逻辑你已经拿到了。

3. 借助平台功能

很多工具自带优化功能，比如在 coze（扣子） 上，就有专门优化提示词的功能，非常好用。