目录

1. 1. 技巧一：给角色，别只给任务
2. 2. 技巧二：结构化输出，别让AI自由发挥
3. 3. 技巧三：Few-shot示例比说一百句话管用
4. 4. 技巧四：思维链——让AI先想再答
5. 5. 技巧五：约束条件要明确写出来
6. 6. 技巧六：分步拆解复杂任务
7. 7. 技巧七：让AI自我检查
8. 8. 技巧八：反向Prompt——让AI问你问题
9. 9. 技巧九：温度参数控制创意 vs 准确
10. 10. 技巧十：系统提示词的杠杆效应
11. 11. 速查表：10个技巧一页纸

一、技巧一：给角色，别只给任务

最常见的新手错误：直接丢任务，不给任何上下文。AI不知道你是谁、你的水平如何、你要什么风格的输出，只能给一个"通用但平庸"的答案。

烂Prompt

帮我写一个Python函数，判断一个数是不是素数

好Prompt

你是一个有10年经验的Python工程师，代码风格遵循PEP 8。
帮我写一个判断素数的函数，要求：
1. 处理边界情况（负数、0、1）
2. 时间复杂度最优
3. 带类型注解和docstring
4. 附带3个测试用例

原理：给角色相当于给AI一个"思维框架"。"10年经验Python工程师"这个角色会让AI自动激活更高质量的代码生成模式，遵循专业规范，而不是写一段能跑就行的代码。

二、技巧二：结构化输出，别让AI自由发挥

如果你要把AI的输出喂给下游程序处理，或者要放进文档/表格，一定要指定输出格式。否则AI每次输出的格式都不一样，你还得手动整理。

烂Prompt

帮我分析一下Python和Go的优缺点

AI会写一篇洋洋洒洒的长文，格式随机，不好提取信息。

好Prompt

帮我分析Python和Go的优缺点，用以下Markdown表格格式输出：

| 维度 | Python | Go |
|------|--------|----|
| 性能 | ... | ... |
| 开发效率 | ... | ... |
| 并发能力 | ... | ... |
| 生态 | ... | ... |
| 学习曲线 | ... | ... |
| 适用场景 | ... | ... |

每个单元格不超过20个字。最后加一段50字的总结建议。

原理：指定格式（表格/JSON/列表/Markdown）等于给AI画了格子，它只需要往格子里填内容，不会跑偏。同时限制了每个格子的长度，防止废话。

三、技巧三：Few-shot示例比说一百句话管用

与其用大段文字描述你要什么，不如直接给AI看几个例子。这就是Few-shot Learning——"给我看三个例子"比"给我讲一百条规则"有效得多。

烂Prompt

帮我把用户的评论分类成正面、负面、中性，注意语气和情感倾向，
还要考虑反讽和隐喻的情况...

好Prompt

把用户评论分类成正面/负面/中性。

示例：
输入："这手机续航真不错，充一次用两天"
输出：正面

输入："客服态度极差，等了半小时没人理"
输出：负面

输入："收到了，还没拆封"
输出：中性

输入："好一个'次日达'，等了五天才到"
输出：负面

现在分类以下评论：
1. "包装很精致，送人很有面子"
2. "一般般吧，不值这个价"
3. "第二次购买了，一如既往的好"

原理：例子比规则更精确。第四个示例"好一个'次日达'"教AI识别反讽——如果你用规则描述"当用户使用引号包裹褒义词表达贬义时判定为负面"，AI大概率听不懂。但给个例子它就明白了。

四、技巧四：思维链——让AI先想再答

对于需要推理的任务（数学题、逻辑分析、多步决策），直接要答案往往得到错误结果。让AI"先写推理过程，再给答案"，准确率会大幅提升。

烂Prompt

一个商店打8折后再打9折，相当于打几折？

AI可能直接回答"7.2折"或者"72折"，没有推理过程，也容易算错。

好Prompt

一个商店打8折后再打9折，相当于打几折？

请按以下步骤推理：
1. 先计算打8折后的价格
2. 再在此基础上计算打9折
3. 得出最终折扣

最后用"答案：X折"的格式给出结论。

原理：大模型本质是"预测下一个Token"。如果不给推理空间，它可能在第一步就算错，后面全错。思维链（Chain-of-Thought）让AI把推理过程写出来，相当于"打草稿"，每一步都可以自我修正。

五、技巧五：约束条件要明确写出来

AI不知道你的隐性需求。你觉得" obviously不要超过500字"，AI不知道。所有约束必须明确写出来。

烂Prompt

帮我写一段产品介绍

好Prompt

帮我写一段产品介绍，约束如下：
- 字数：200-300字
- 语气：专业但不生硬，面向企业决策者
- 结构：痛点引入 → 产品方案 → 3个核心优势 → CTA
- 禁止：不使用"颠覆性"、"革命性"、"赋能"等空洞词汇
- 必须包含：产品名称"DataFlow"出现至少2次
- 受众：中型企业的IT负责人

常用的约束维度：

约束类型	示例
字数/长度	"不超过300字"、"3-5个要点"
语气/风格	"专业但口语化"、"学术论文风格"
结构	"先给结论再展开"、"按问题-原因-方案结构"
禁止项	"不使用emoji"、"不编造数据"
必须包含	"必须包含成本数据"、"必须提到竞品对比"
受众	"面向技术小白"、"面向CTO级别读者"

六、技巧六：分步拆解复杂任务

不要让AI一次性完成复杂任务。拆成小步骤，每步确认后再进行下一步。原因：AI的"注意力"有限，任务越复杂，每个环节的质量越低。

烂Prompt

帮我写一篇关于RAG技术的深度技术文章，包含原理讲解、代码示例、
性能对比、踩坑经验、最佳实践。3000字。

一锅烩的结果：每个部分都浅尝辄止，代码有bug，踩坑像编的。

好Prompt（分步）

第一步：先帮我列一个文章大纲，包含5-7个章节，每个章节3-5个要点。
（确认大纲后）

第二步：基于确认的大纲，先写"原理讲解"部分，500字。
（确认后继续）

第三步：写"代码示例"部分，给出一个完整的RAG实现，
包含embedding、检索、生成的完整代码。
（确认后继续）

第四步：...

原理：每一步AI只需要专注一件事，质量远高于一次性完成全部。而且你可以在每步之间做质量把关，避免错误累积。

七、技巧七：让AI自我检查

AI生成内容后，让它自己检查一遍。这个技巧简单到离谱，但效果显著——AI在"生成模式"和"审查模式"下的表现完全不同。

好Prompt

请按以下流程工作：

1. 先生成一篇500字的产品文案
2. 生成后，以"资深文案审查者"的身份检查以下问题：
   - 是否有事实性错误
   - 是否有重复表述
   - 是否有空洞词汇（如"赋能"、"颠覆"、"打造"）
   - CTA是否明确
3. 列出发现的问题
4. 根据问题重写一版

原理：AI在生成时是"创造模式"，会倾向于写得"漂亮"而非"准确"。切换到"审查模式"后，它会用更严格的标准检查自己的输出。这种"生成→审查→修正"的循环能显著提升质量。

八、技巧八：反向Prompt——让AI问你问题

当你不确定该怎么描述需求时，反过来让AI问你问题。它会帮你把需求挖清楚。

好Prompt

我想做一个数据分析的Agent，但在动手之前，
请你先问我5个问题来帮我理清需求。
每次只问一个问题，等我回答后再问下一个。

AI可能会问你：

1. "你的数据源是什么格式？（CSV/数据库/API/Excel）"
2. "用户是用自然语言提问还是选预设模板？"
3. "分析结果需要可视化吗？如果需要，什么图表类型？"
4. "数据量级多大？日均查询量多少？"
5. "需要支持多轮对话吗？还是单次问答？"

回答完这5个问题，你的需求已经非常清晰了，AI也积累了足够的上下文来给出高质量方案。

九、技巧九：温度参数控制创意 vs 准确

大多数大模型都有一个"温度"（Temperature）参数，控制输出的随机性。理解这个参数可以避免"AI太放飞"或"AI太死板"的问题。

温度值	效果	适合场景
0.0-0.3	确定性高，回答稳定一致	代码生成、数据分析、事实问答、分类任务
0.4-0.7	平衡创意和准确	文案写作、邮件起草、总结摘要
0.8-1.0	高随机性，创意发散	头脑风暴、创意写作、命名建议
1.0+	极度随机（通常不建议）	实验性创作

实用建议：写代码用0.2，写文案用0.6，头脑风暴用0.9。如果你用API调用，在参数里设置 temperature。如果用ChatGPT网页版，在系统提示词里写"请给出确定性最高的回答"相当于降低温度。

十、技巧十：系统提示词的杠杆效应

如果你反复用同一种Prompt模式，把它写成系统提示词（System Prompt），一次设置，全局生效。

好Prompt（系统提示词）

你是一个技术文档工程师，遵循以下规则：

1. 所有代码必须带中文注释
2. 所有函数必须有类型注解
3. 回答结构：先给结论，再给代码，最后给解释
4. 代码块标注语言类型
5. 如果不确定，明确说"我不确定"，不要编造
6. 超过50行的代码先给概要再给完整代码
7. 涉及命令行操作时，标注操作系统差异（Mac/Linux/Windows）

设置好系统提示词后，后续每次对话都会自动遵循这些规则。不用每次重复说"带注释"、"标语言类型"。系统提示词是Prompt工程的"基础设施"——一次投入，长期受益。

十一、速查表：10个技巧一页纸

#	技巧	一句话总结	适用场景
1	给角色	"你是X年经验的Y专家"	所有场景
2	结构化输出	指定表格/JSON/列表格式	信息提取、对比分析
3	Few-shot示例	给3-5个输入输出示例	分类、格式转换、风格模仿
4	思维链	"先推理再给答案"	数学、逻辑、多步决策
5	明确约束	字数/语气/结构/禁止项全写出来	文案、报告、代码
6	分步拆解	复杂任务拆成小步骤，逐步确认	长文写作、复杂方案
7	自我检查	"生成→审查→修正"循环	质量要求高的场景
8	反向Prompt	"你先问我5个问题"	需求不清晰时
9	温度控制	代码0.2/文案0.6/创意0.9	API调用场景
10	系统提示词	反复用的规则写成System Prompt	高频使用场景

总结：Prompt工程不是玄学，是一套可复制的方法论。核心就三句话：给角色让AI进入专业模式、给约束让AI不跑偏、给示例让AI知道你要什么。剩下的技巧都是在这三个基础上的变化。

一个建议：把这10个技巧存成备忘录，下次写Prompt之前扫一眼。用不了两周，这些技巧就会变成你的肌肉记忆，再也不需要刻意回忆了。

---

本文技巧适用于所有主流大模型（ChatGPT/Claude/豆包/千问/DeepSeek等），2026年8月实测有效。