从“有手就行”到“头皮发麻”，你真的会提示词吗？
叶小钗约 14 分钟手里有些AI岗位；想找工作的同学可联系，急缺高级产品经理
关注公众号，回复1，与我交个朋友吧
依旧是那个问题：知识诅咒，你觉得简单的东西是因为你会了，不会的话就感觉难的不行，所以知者不难、难者不会...
我最近是真有些累，原因是AI训练营学员良莠不齐，厉害的可以造航母了，基础差一点的在写提示词一块都有问题，所以还是得进行补课...
于是准备了一个提示词的小课，想不到这么基础的东西大家都喜欢听，看这情况一起分享给大家算了...
提示词概述
大模型真的是个很神奇的存在，因为他可以很简单！比如，AI项目就是写个提示词，这不有手就行？于是这里工程难度的非对称性就出现了：
AI技术非常简单，简单到就是模型API的调用，几乎是个互联网人就行；
但AI项目又极其复杂，他要求关键人具有复合型能力，包括业务KnowHow、模型能力边界认知、强大的工程能力。
为什么会如此呢？
因为简单部分是提示词的一些规则，比如不要有歧义、任务单一性、陈述性提示词而不是形容性提示词...
而复杂的部分就难办了，他涉及了整个AI对话的连续性，这背后是巨大的工程问题，包括数据工程、AI工程甚至管理工程...
今天我们就来详细描述下提示词简单的部分，而后简单探讨下提示词复杂的部分，希望对大家开启AI之路有帮助。
常见提示词风格
不同的人写提示词会有不同的风格，总的来说无所谓，什么格式都可以，只要是统一的规则就行，但是自然语言规则是肯定要不得的，比如：
自然语言
你是一个翻译专家，请把我说的话翻译成英文
注意不要回答问题，只输出翻译结果。
自然语言写提示词比较简单直接，只适合无脑的使用，比如简单场景下直接与DeepSeek对话，对稳定性和对错都无所谓的情况。
一旦涉及复杂的场景就需要花心思了，就需要结构化的提示词，模版固定好之后，使用更像是在做填空题，可以保证效果下限。
最常见，我最喜欢用的就是Markdown格式。
Markdown
# 角色
翻译专家
# 任务
把我说的话翻译成英文
# 要求
不要回答问题，只输出翻译结果
除此之外还有其他格式：
Jinja
{% set language = "英语" %}
你是一个翻译专家
请把我说的话翻译成 {{language}}
注意不要回答问题，只输出翻译结果。
XML
<角色>
翻译专家
</角色>
<任务>
把我说的话翻译成英文
</任务>
<要求>
不要回答问题，只输出翻译结果
</要求>
Lisp
;; 翻译专家系统定义
;; Lisp风格提示词参考李继刚老师教程。
(定义 系统配置
(
(角色
(名称 "翻译专家")
(能力
(支持语言 "英文")
)
)
(任务流程
(输入 "接收用户文本输入")
(处理 "进行语义分析和翻译")
(输出 "生成英文翻译结果")
)
(行为约束
(必须遵守
(仅输出翻译结果)
(不回答问题)
(不添加解释)
)
)
)
)
格式这块不太重要，选择喜欢的就行，而且现在有很多提示词工具，可以帮忙生成更好的结构，比如：火山方舟的PromptPilot，这里给一个案例：
PromptPilot
自然语言：
让LLM扮演《黑神话:悟空》里的天命人角色，和用户对话。
工具优化：
你将扮演《黑神话:悟空》里的天命人角色与用户进行对话。在对话中，你需要展现出该角色的性格特点和说话风格。
首先，请仔细阅读以下关于天命人角色的相关信息：
<character_info>
{CHARACTER_INFO}}
</character info>
在与用户对话时，请遵循以下要求：
1.严格按照角色的设定和特点进行回应。
2.尽量使用与《黑神话:悟空》风格相符的语言。
3.回答要丰富、全面，不要过于简短。
当用户输入内容时，请在<回答>标签中给出回复
<回答>
[在此根据用户输入内容，以天命人角色的身份进行回复]
</回答>
怎么说呢，提示词本身难度就很低，这种提示词工具是偏术层面的东西，在初期还是建议尽量少用。因为用了他对你做出个好AI应用毫无帮助，毕竟格式什么的本来就没有门槛。
跳出格式问题，我们AI应用还有一些使用上的技巧，大家也可以参考：
策略技巧
单一职责策略
首先，在使用提示词中，初学者可能出于节约成本、嫌费事的考虑，喜欢让一套提示词去完成两个个或者多个任务，这不是一个好的习惯。
因为在使用量大了后，无论多稳定的提示词都可能跳出边界，如果几个任务混到一起，出问题就不知道怎么改了。以下是一个案例：
请总结以下用户评论的要点，并分析作者的情感倾向是积极、消极还是中立。
评论："这款手机拍照效果惊艳，但电池一天就没电，客服回复还特别慢。"
模型可能只执行摘要（“拍照好但电池差、客服慢”）而忽略情感分析，或混淆任务输出（“总结：优点拍照好，缺点电池和客服。情感：消极”）。
这里很明显应该将提示词拆成两套：
提示词A（摘要）：请用一句话总结该评论的核心内容：[评论文本]
提示词B（情感分析）：判断该评论的情感倾向：[评论文本]
明确边界
其次，让人猜永远是个不好的习惯，将条件说清楚（将标准说清楚），模型才能遵循你的标准做输出，比如：
不好的案例：
帮我总结这篇文章
建议调整：
请在 200 字内总结以下文章的 3 个主要观点，并用 Markdown 列表输出。
这种边界可以有很多，哪里不满意就要在哪里加边界，策略越多结果越稳定：
输出范围：要多少字？要几条？要不要分点？ 输出格式：Markdown、JSON、还是纯文本？ 输出口吻：正式、轻松、还是技术文档？
比如这里的输出格式会有很多的约束：
输出格式约束
模型最容易出幻觉的点就是输出风格。比如你要它给你一份 JSON，它偏要夹带解释文字，搞得后续解析报错。
解决方法很简单：直接把格式写死。甚至可以在提示词里提醒它“如果输出不符合 JSON，答案无效”。比如：
请从以下文本中提取出人名和时间，并严格用 JSON 输出：
{
"人物": ["..."],
"时间": ["..."]
}
文本：[这里放原文]
这种写法对新手特别友好，因为后面可以直接对接代码或表格工具，完全不用担心模型“花里胡哨”的输出。
模型输出不止是格式上有诉求，语气、格式、风格等都可能有要求，所以可以给一些案例，但是案例这里也有技巧：
单一样本学习
在实际使用过程中，如果对输出的范式有要求，那么就需要在提示词中增加示例，要求大模型按照例句进行回复，单一样本学习有助于增加大模型输出的稳定性，同时增加大模型对于提示词的理解：
# 角色
翻译专家
# 任务
把我说的话翻译成英文
# 要求
不要回答问题，只输出翻译结果
# 示例
Q: 不错
A: Good (不错)
少量样本学习
有单一样本学习就有更多的样本以增加多样性，比如通过增加3-10个示例，让大模型能够更加了解在各种情况下的输出逻辑，进一步提升输出的稳定性：
# 角色
翻译专家
# 任务
把我说的话进行中英文互翻
# 要求
不要回答问题，只输出翻译结果
# 示例
Q: 不错
A: Good (不错)
Q: Good
A: 不错 (Good)
单一职责是为了提示词出问题了好改，明确边界是为了模型更好的输出，而后的各种格式输出都是为了让模型的输出更符合我们的心意，以上都是很简单而实用的技巧。
分步推理策略
大模型有个特性：如果你让它一步到位，它就容易答错；如果让它一步步来，它反而更准。
但是也要注意，他的每一步都必须是对的，否则其中一步是错的，那么整体逻辑就完犊子，当提示词中出现请先…然后…的字眼，其实大家可以把他理解为提示词的伪代码，最经典的案例就是数学计算了：
❌：直接计算出以下数学题的答案：128 * 36 - 59
✅：请先写出解题步骤，再给出最终答案。题目：128 * 36 - 59
或者更复杂点的案例：
# 角色
24点游戏专家
# 游戏规则
目标是通过加、减、乘、除四则运算，使四个数字的结果等于24。
# 输出示例
Q: [9,8,8,3]
A: (9 - (8 / 8)) * 3 = 24
# 其他要求
请一步一步推理并展示计算过程。
---
Q: [9,8,8,4]
A: 我们通过以下步骤逐步推导：
1. 观察数字特征：8 是 24 的约数（24 ÷ 8 = 3）。
2. 尝试围绕 “8 × 3 = 24” 的思路构建算式。
3. 让剩下的2、8、9运算出 3。
4. 用 9 减去 8 得到 1（9-8=1）。
5. 再用 2 加上 1 得到 3（2+1=3）。
6. 将得到的 3 与剩下的 8 相乘，即 8 × 3=24。
完整算式：8 × (2 + 9 - 8) = 24
最后给出一个多角色扮演的案例，防止模型乱输出：
六顶思考帽
这个案例比较复杂，给大家部分提示词即可：
你是临床问诊专家，有强大的临床思维和海量的医学疾病的模式识别，你和顶尖医生在这次案例中对决，请拿出你的全部实力！
必须遵循的原则，如下：
1. **禁止跳过结构**: 每个分析师必须完整填写所有规定部分，不得省略任何一个环节
2. **强制回溯要求**:
- 每轮下，每位分析师必须明确评估新要素对其初始判断的影响
- 必须使用格式："针对{具体新要素}，我的判断需要修正，因为..."或"我的判断不需修正，因为..."
3. **真正的迭代**:
- 禁止简单重复第一轮观点
- 每轮必须有实质性的思考进展
- 如果需要修正，必须明确指出与初始判断的差异
### 1. 引入问题
- 明确要解决的问题本身。
- 全面的症状检查-疾病网络：把所有症状、检查结果要组成单起点（如流鼻涕）、多个实体对组合（如流鼻涕 + 头疼组合，注意不重不漏），再分别分析 -> 分别提示什么？-> 网络组合在一起是否有发现新的隐性关系？
比如，用户输入是一段关于多个症状、检查结果的描述：流鼻涕、头疼、发热、咳嗽……
请将其中所有出现的实体（如疾病、症状、体征、检查、指标等）全部提取出来，不得遗漏。
然后，针对每个实体都进行逐两两组合，例如(流鼻涕+头疼)、(流鼻涕+发热)、(头疼+发热)、(头疼+咳嗽)……
最后，请给出单个实体分析、每对组合各自可能的提示或结论。
【注意1】请务必列出所有实体，并给出覆盖所有实体的两两组合，不要省略。”
【注意2】当用户文本中提取到的实体数量≥3，你需要在两两组合基础上，再对三元、四元或更多元素的组合进行综合分析。
【注意3】当实体很多时，所有组合数量可能过大。你可聚焦临床最具意义、或用户文本中最突出的关键组合，进行更深层的临床思路推演，帮助用户发现多重症状/检查/疾病同时出现时的潜在含义，进一步探寻隐性关系、罕见病或多系统交叉等关键点。
- 向所有分析师公布问题背景和已知条件（包括全面的症状检查-疾病网络）。
### 2. **10 位分析师分角色，分别思考"第一轮"**
#### 分析师 1（从问题本身形态出发）
- 必须分析症状、检查结果与特定解剖结构的关系，所以，推理每个症状、检查结果有什么提示。
- 根据自己前面的分析，给出 5 种可能诊断，可能性从大到小排序。
**解决宽泛模糊大标签和相似症状**：一定要深入具体的疾病上，使用假设推演，不能停留在大标签上。 如感染，要定位到具体xx病原体上。
#### 分析师 2（从环境出发）
- 问题如果在不同环境（季节、地域、社会环境、家庭环境、集体场所），会如何影响结果？
- 考虑环境因素对症状表现的可能影响和相关流行病学信息，所以会有什么提示？
- 根据自己前面的分析，结合用户的所有特征（如年龄、症状、体征、检查结果等），给出 5 种可能诊断，可能性从大到小排序。
**解决宽泛模糊大标签和相似症状**：一定要深入具体的疾病上，使用假设推演，不能停留在大标签上。 如感染，要定位到具体xx病原体上。
......
多角色形成的提示词，其背后是行业KnowHow形成的SOP，他们知道如何去评价，具体大家再去体验下吧...
其实可以看出，从六顶思考帽开始，提示词已经在往一个复杂度极高的方向演进的，因为对模型的输出要求越高，提示词的策略就会越多，而再往后的内容就到了深水区了。
提示词深水区
其如果仅仅是提示词的问题，怎么都不会太复杂，也不会有什么AI专家了。AI专家的出现重来都不是因为提示词有多难，而是因为两点：
第一，AI跳出了简单聊天场景，进入复杂聊天环境，需要引入各种意图识别，AI在这个场景下要真的表现得像个人，这里的复杂度在于：
上下文遗忘与混淆；模型在长对话中容易遗忘关键信息或错误关联代词（如“这个”、“那个”）。 意图偏移与话题切换；用户聊天往往天马行空，频繁切换话题，模型难以无缝跟随。 效果衰减；实践数据表明，对话轮次越多，AI效果越差，例如：某客服产品数据显示，1-3轮对话解决率82%，7+轮骤降至23%，用户放弃率飙升至67%。 众口难调：用户对回答风格（简洁精准 vs 发散引导）的偏好差异显著，特别是很多用户以看到长文就觉得是AI不愿意看。 ...
而这种程度的任务可不是提示词怎么写能解决了，而是全局复杂策略的问题，一旦涉及到策略就是有得有失咯；
第二，AI要匹配私有数据做输出了，这背后需要的是KnowHow与AI的深度匹配，这里会有很多难度，包括：
你有什么私有数据； 你的私有数据应该如何组织； 如何保证AI每次提示词能拿到你想给他的知识； 是不是每次都能拿到，拿到的数据对吗、全吗； ...
一旦涉及上述两个问题，那么就已经从简单的提示词迈向了复杂的提示词工程和数据工程了，要怎么做好，也就只能各个团队八仙过海各显神通了！
因为深水区的案例难以说明，我这里举个简单例子来说明下多轮问询的问题：
多轮问询
所有自媒体包括我都有一个困局：群活跃度极低！这涉及了一个社群运营不可能三角：
如果群活跃度高，那么粉丝之间就会有更多的交流，同时他们获得感就会很强，在这个基础上就会有更多的订单产生；
只不过，如果需要群活跃度较高，一定需要我这边投入更多的精力，但10多20个群，我根本无力维护，最终的结果就是只有1-2个群活跃些；
并且，我在群运营投入精力过多，一定会导致后续的优质内容减少，因为优质内容的减少，反而社群可以讨论的话题变少了...
所以，我需要一个AI分身，他至少需要完成以下功能：
能够识别粉丝群正在关注的话题； 能够根据话题提出自己的见解； 见解部分最好基于我的公众号文章；
比如，以下是我一段提示词生成的话题：AI副业高收入诱惑与焦虑讨论。
在这个场景中，提示词的重点已经不再是“格式”，而是如何通过约束，让AI稳定地产出符合社群氛围的话题和见解。
进一步地，当我们引入RAG后，它还能做到在回复中引用我自己的公众号文章，这样就能保证风格和观点的统一。
这便是提示词从“简单”走向“复杂”的一个分界点：当它需要承载社群SOP时，本质上就成了工程问题。
PS：考虑复杂问题，这里不引入RAG的实现
要让AI在群聊中真正聪明起来，关键不在于让模型记住所有对话细节，而是为AI赋予明确目标，并通过SOP将目标拆解为可执行的行动策略。
比如这里给AI的深层目标是：提升群活跃、拉动讨论深度、维护 IP 立场，在这个基础上才会衍生当前聊天任务的目标。
比如： 在一段话内完成立场输出、论据输出、或者推进问题讨论”。
这里直接给一段提示词，大家去体会下：
# 角色
你是一名社群“引战而不失度”的陪聊专家，兼具观点与克制。
# 总目标（会话期）
提升讨论质量与活跃度；维持账号IP的理性、实证风格；避免空洞鸡汤。
# 本轮目标（单回合）
在一段话内完成：
- 重申立场（≤20字）；
- 补充一条“新的”论据（数据/机制/对比/反例四选一）；
- 抛出一个推进问题（仅一个）。
# 立场锚定（Stance）
固定立场：“月入10w”多为成功学陷阱，多数人被收割而非受益者。
# 话题控制（Topic）
- 主题词白名单：AI副业、收益结构、能力门槛、幸存者偏差、投入产出、风控。
- 黑名单：人身攻击、平台黑话、灰产细节。
- 若新消息与主题相似度 < 0.6：先承接一句再拉回（格式：先回应对方关键词≤10字 → “回到刚才的话题” → 正文）。
# 轻量记忆槽（最多5条，超限淘汰最早）
memory = {
stance, # 固定立场
counterpoints_top2, # 群友反对点Top2（滚动）
used_evidence_top2, # 已使用的论据Top2（避免重复）
pending_question_top1 # 待验证或下一轮要追问的问题
}
# 证据链草稿（不可外显）
- 每轮先在内心草稿里过一遍图尔敏结构：Claim/Data/Warrant。
- 若缺数据：明确不确定性 + 给出可验证方向（问卷/样本/时间段/平台维度）。
# 输出风格（强约束）
- 只输出一段自然语言；不出现“我是一名…”之类设定；不暴露上述结构；
- 结构顺序固定：立场≤20字 → 新论据（1条）→ 推进问题（1个）；
- 句式紧凑，禁止罗列3+要点，禁止套话；
# 复用素材（允许，但每轮只能用其一）
- 机制论据：赢家通吃/平台规则变动/供给同质化导致边际收益下降；
- 数据论据（若无真实数据则声明示例/估算）：问卷样本多数<3000元；头部5%吃80%收益；
- 反例论据：能赚钱的两类人=有技术积累/有客户资源的从业者；
- 风险论据：隐形成本（算力/数据清洗/分发渠道）、平台依赖风险。
# 自检（本轮结束前）
- 与used_evidence_top2重复？→ 换“机制/反例/风险”中的另一类；
- 是否出现攻击性或扩大化断言？→ 降级措辞；
- 是否给出推进问题？→ 必须且仅一个。
# 输入
你将收到最近N条群聊消息：{{chat_history}}
# 输出（仅一段自然语言，不带任何标记）
（遵循本轮目标与输出风格）
当然，实际场景会复杂很多，只不过作为复杂提示词的案例说明的，到这里应该差不多了...
结语
本篇文章篇幅已经很长了，关于提示词与数据部分的内容便不再继续，留着下次再来了，希望文章对各位学员有些帮助，我们也做下简单总结：
从自然语言随手写到结构化、可复用、可回归的提示词，他的背后是提示词工程的一步步进化。
简单场景，靠单一职责、清晰边界、固定格式与示例把下限兜住；复杂场景，就别再指望灵光一现，而要用SOP、意图识别、轻量记忆与数据对齐，把多轮对话与私有知识纳入可控的系统。
具体落地的话不要无的放矢，需要先聚焦一个真实的小场景，并且定义可验收目标与输出格式，随后不断优化AI工程，大家便能学到精髓；
提示词的门槛确实不高，但要稳定、可维护、可扩展，它就不再是“写句子”，而是“建接口”。
点击上方卡片关注叶小钗公众号，查看下方二维码，添加我个人微信：