我从2022年底开始重度使用ChatGPT到现在每天的工作流里至少七八成任务都是提示词驱动的。身边很多朋友问我你是不是偷偷用了什么更聪明的模型其实没有模型就是那个模型真正拉开差距的是提示词的质量。同样的ChatGPT有人只能让它写出四平八稳的“模板作文”有人却能让它输出可以直接落地的代码、一份结构完整的商业方案、或者一张几乎可以直接商用的DALL·E图片。差别不在运气在于你是否掌握了提示词背后的那套逻辑。这是“精通AI提示”系列的第一篇。我会把提示词从“玄学”拉回到“工程”先讲清楚提示词为什么有效、底层在发生什么然后分别拆解它在创意场景、工作场景和自动化场景中的设计方法最后再交底我踩过的坑。这个系列适合所有用过AI但总觉得“差一口气”的人不管是内容创作者、产品经理、程序员还是普通上班族只要你愿意把和AI的对话从聊天升级成协作这篇文章就能给你一个清晰的起点。1. 提示词不是“问问题”而是“写需求文档”1.1 我见过的最典型翻车只说了一句“帮我写个方案”先说个真实对比。很多人的第一反应是像对朋友那样说话帮我写一个新品上市方案。模型不是不能回答但大概率会给你一份“什么都有、什么都没说透”的泛泛之谈市场分析一句带过消费者洞察全是正确的废话执行节奏表填得满满当当仔细一看每一条都可以套用到任何行业。你收到之后改也不是不改也不是只能长叹一声“AI也就这样了”。同样的任务换个提示词写法你是一位拥有12年快消品行业经验的品牌策划总监擅长新品上市全案策划。请为某国内饮用水品牌的一款“气泡水”新品撰写一份产品上市策划方案目标人群是一二线城市25-35岁注重健康的上班族渠道首攻便利店和线上电商。方案需包含市场背景、核心卖点、人群洞察、渠道策略、传播节奏、预算分配六个部分。请用表格输出传播节奏总字数控制在2000字以内语气专业但不堆砌名词。区别很明显。后者不是“问一个问题”而是在“描述一个任务、一个角色、一组约束和一种结果形态”。模型还是那个模型但它拿到的输入信息量差了一个量级。提示词的本质就是给模型写一份需求文档。1.2 模型不是聪明是“极端的字面理解者”要理解为什么提示词管用得先摆正一个认知ChatGPT这类模型并不是真的在“思考答案”它是在根据你给的上下文一个词接一个词地预测最合理的后续内容。它拥有庞大的世界知识却缺少一个“常识过滤器”。可以把它想象成一个能力超强但极度固执的新同事。这位新同事熟读万卷书但如果你不把需求说清楚他永远不会主动追问“你要什么风格”“给谁看”“多长才算合适”。他不是不聪明而是默认你说的每个字都是完整的、精确的。你说“随便”他不会把这当成“你让我自由发挥”而是会把这当成“随便就行不用太认真”——然后他真的就随便交了。所以提示词工程的第一课是接受一个事实你需要替模型把那些“你以为它应该知道”的信息全部显式地写出来。你心里清楚目标是上市但它也许默认你想要的是品牌年度方案你心里清楚“不要太啰嗦”但它对“不要太啰嗦”没有直觉只能依赖你给的字数上限。这不是模型的缺陷而是协作方式的必然要求模糊输入必然带来模糊输出。1.3 提示词五要素角色、任务、上下文、约束、输出格式基于上面这个认知我把提示词拆成五个核心要素。这套框架几乎可以套进任何场景要素作用常见缺失后果角色决定回答的视角、语域与知识侧重回答变成“百科全书式”的平庸口吻任务明确你要它做什么动词具体化输出方向漂移张冠李戴上下文提供背景事实和场景信息模型只能依赖默认假设产生幻觉式联想约束限定风格、字数、不可做什么得到“尺度失当”的结果输出格式规定结果的组织方式内容正确但没法直接用不要小看这五个要素的组合效果。它们之间的关系有点像做菜角色是厨师的师承流派任务是今天要做哪道菜上下文是手头有什么食材约束是“不要辣、少放盐、十五分钟内上桌”输出格式是“摆盘要什么造型”。少任何一个菜都能做出来但一定不是你心里想的那一道。2. 从零搭提示词五要素逐个拆到能直接抄这一节我不讲空理论直接给出我平时写提示词时逐项填写的细节和示例。2.1 角色设定要落在“坐标系”上很多人已经学会了“你是一位资深营销专家”“你是一位资深程序员”这种设定但实际体验是加了和不加区别不大。原因在于“专家”这个词粒度太粗模型只能把它理解成一个“平均值”。我习惯把角色设定放到坐标系的三个维度上行业背景、具体职位、个人风格。举例说明失败设定你是一名资深HR。有效设定你是一名有8年互联网大厂经验的HRBP擅长处理技术团队的招聘与绩效沟通说话直接、不喜欢套话能用具体案例支撑观点。加了坐标系的角色模型会主动调动更精确的案例库和表达习惯。你可能会发现它开始使用“站在技术leader的角度”“这类候选人的典型特征是”这类更具体的叙事语言这就是角色生效的信号。我自己会在角色后补一句“如果你遇到的问题缺少信息先向我提问再开始输出”进一步利用角色来触发模型主动澄清的习惯。2.2 上下文是模型的“记忆外挂”模型不知道你是谁、你所在公司的背景也不知道你上一个项目发生了什么。很多人抱怨“它总是答非所问”一半是因为上下文缺失。上下文包括以下几类信息一、这次任务发生的场景比如“这是我们新产品的第一次对外发布会”二、已经存在的材料比如“我们的目标用户画像见下文”三、你不想让它假设的事实比如“不要假设我们的预算是一千万实际是三百万”。把这些直接写进提示词模型的输出会立刻从“通案”变成“专案”。我常用的写法在任务描述后加一个“背景资料”小节用三到五个短句把关键事实列出来必要时直接粘贴原始资料。每当我希望模型输出更贴合实际情况时我都会把相关原文复制进去而不是用一两句话概括——概括这个动作本身就是信息的损耗模型读原文比读你的二手转述要准确得多。2.3 约束条件要能“被执行”这是大多数人最容易忽略的部分。说不清原因因为你以为“不过于复杂”是个约束但对模型来说它只是一个模糊的方向。模型没有审美偏好它不知道“复杂”在你的语境里到底意味着什么。把约束条件“机器化”也就是写成像程序注释一样明确。我总结了一套对应关系模糊约束可执行约束不要太长全文不超过800字语言活泼一点使用口语化短句多用类比避免术语堆砌重点突出每部分先说结论再用一至两句话解释不要用那些老套的句子禁止使用“随着社会的发展”“综上所述”等开头要有深度至少包含一个反直觉观点或一个具体案例我建议把约束分成“硬约束”和“软约束”。硬约束是必须遵守的底线比如字数、格式、禁用词软约束是风格倾向比如“可以的话尽量轻松”。把两种约束分开写模型的处理效率会明显提升因为它能知道什么是红线什么是偏好。2.4 输出格式让结果可以直接用同样的内容用一段废话输出和用结构清晰的方式输出工作量差3倍。我几乎在每次正式任务里都会指定输出格式。最简单的布局是要求Markdown分段加粗关键结论列表呈现要点。进阶一点可以要求表格、JSON、甚至特定模板。示例请把以下会议纪要整理成结构化摘要包含1. 决策项 2. 待办事项 3. 风险与阻塞 4. 下周计划。每个待办事项需包含负责人和截止日期。如果有信息缺失标注“[待确认]”不要自行编造。这句“如果信息缺失标注[待确认]不要自行编造”就是约束和输出格式的组合杠杆。加上它模型就不会为了显得完整而东拼西凑这对工作场景极其重要。格式先行内容后填顺序不要反。你先定好了结构模型会把内容填充得更有章法如果让它先写再整理往往要返工。3. 创意场景实战让DALL·E和ChatGPT走进你的想象力提示词不只是工作上的“效率工具”它也是创意的“翻译机”。这一节我聊两个应用方向用ChatGPT做文字创意用DALL·E做图像创意。两者的提示词逻辑很不一样需要区别对待。3.1 文字创意提示词风格锚点比“华丽辞藻”更有效很多人写创意类提示词时会拼命堆形容词“请写得优美一点、动人一点、有文采一点。”结果得到的往往是词藻堆砌、情绪空转的文章。原因是“优美”“动人”是主观感受模型并没有“感受能力”。我的做法是给模型指定风格锚点也就是具体的参照对象和写作特点请以“产品经理的孤独”为主题写一篇800字的短文。参照刘亮程《一个人的村庄》的叙事风格大量使用具体物象来承载情绪不直接说出孤独两个字用“深夜的工位”“亮着的显示器”“第无数次重启的需求评审会”这类场景来呈现。段落之间不需要逻辑连接词留给读者停顿感。这样写效果立刻不一样。因为“优美的孤独”无法被执行但“用物象承载情绪不直接说出那两个字”可以被执行它把主观感受转译成了可操作的写作指令。这里的技巧是不要告诉AI它要写出什么感觉要告诉它你希望读者通过哪些具体元素自己产生那种感觉。3.2 DALL·E的语言理解逻辑与图像提示词公式DALL·E 3和早期图像模型不同它能直接理解自然语言不需要堆砌“4k、8k、超清、杰作”等标签。但这也带来一个新问题它对语序和修饰语极其敏感你的表述越具体它生成的画面越接近你的想象。我总结的图像提示词公式是主体 环境/场景 光线与情绪 风格 构图 细节与禁忌。举一个例子。最近网上很流行让AI画“鹈鹕骑自行车”这种超现实场景大部分人会写成“一只鹈鹕骑着自行车”生成的图是静态的、平庸的。如果按公式扩展一只白色鹈鹕骑着复古自行车正在穿过欧洲小镇的清晨集市车筐里装着新鲜的法棍面包背景有咖啡店的灯光和早起赶集的行人晨光从侧面打过来空气中有一层薄薄的雾气摄影写实风格构图采用侧面跟拍视角细节要求鹈鹕的羽毛呈现清晰、自行车链条反光自然画面中不要出现其他动物和现代交通工具。DALL·E生成的图就会有一个明确的情境、光线、视角和情绪。核心原因是每一段信息都在悄悄收窄模型的想象空间。你说“自行车”它有无数种想象你限定“复古自行车”范围缩到一半你让它“穿过清晨集市”它就知道要补充摊贩、商品、晨光这些连带元素。提示词越具体AI的“随机性”就越少越接近你要的那个“唯一画面”。3.3 迭代式对话创意不是一次生成而是逐步逼近经常有新手问为什么我给的提示词已经很详细了还是不满意我的回答是因为创意过程本该是迭代的AI不能一次性读心。我常用的做法是分阶段推进第一轮先用一段话给出主题和风格倾向生成一个粗糙版本第二轮只反馈“哪里不行”不说“重写一遍”比如“构图太满了主体太大画面右下角很空”第三轮再微调细节比如“光线变成黄昏的暖色背景虚化更强”。每一轮只改一个变量这样你可以清晰地看到什么改动带来了什么变化。对ChatGPT的文字创意也是同理。我给文案组的内部要求是第一轮给骨架第二轮调血肉第三轮磨语感。提示词“帮我写一段更好的文案”是最无效的指令因为模型不知道你的“更好”是哪一维。你要说“上一版的开头太平了换成问题式开头”“第二段的数据论证不够加一个具体的用户反馈案例”“结尾太用力改成留白”。把反馈精确到位置和方向上模型才能真正跟你配合而不是每次都给你一个“新的、但并不更好”的版本。4. 工作场景实战把提示词变成升职加薪级别的技能工作场景对提示词的要求和创意场景不同创意追求惊喜工作追求稳定、可靠、可复用。三种最常见的工作用途是信息整理、代码/数据处理、模板沉淀。每种的提示词设计方式都不同。4.1 信息整理先给框架再投喂原材料如果你只是丢给AI一篇千字长文说“帮我总结一下”你会得到一篇“缩水版的长文”重点不突出。正确做法是先定义信息的使用目标再决定结构。我的提示词模板以下是本周运营例会的原始纪要。请按以下结构整理1. 本周关键结论2. 数据亮点与异常3. 风险项附证据4. 需要跨部门协调的事项。整理时不要加入原文没有的信息对于数据保留原始数值和单位对于表述模糊的决策注明“[待确认]”。输出为Markdown每部分不超过200字。核心要点是把“总结”变成“按指定维度抽取”。总结是压缩抽取是定位。后者对信息的利用效率高得多因为你已经替AI决定了哪些信息是重要的避免了它替你决定。4.2 代码与数据处理分步逼近而不是一次到位用ChatGPT写代码典型的新手错误是把一个完整的程序需求扔给它期待一次跑通。老手的方法是拆成小任务先让它生成核心函数再给它输入输出的示例然后逐段调试。一个我屡试不爽的代码提示词结构背景我在做一个Python脚本需要从一份CSV中读取用户行为日志。任务编写一个函数filter_by_action接收文件路径和action名称两个参数返回该action对应的所有记录。输入示例给出两行数据输出要求dict列表错误处理如果文件不存在或action不存在打印明确错误信息并返回空列表。最后给出一个调用示例。向AI描述代码任务最重要的信息是输入输出的形状而不是实现细节。让它知道“喂给我什么、我要拿回什么”比你试图教它“怎么遍历、怎么判断”有效得多。我见过太多人堆砌技术名词反而让模型陷入实现细节忽略了边界条件。把示例数据贴上比任何文字描述都管用。4.3 提示词模板化把个人经验沉淀成团队资产一套好用的工作提示词不应该只存在你的聊天记录里。我们的做法是建立一个团队仓库按用途分类存放提示词模板比如“周报生成器”“会议纪要整理器”“需求文档初稿生成器”。每个模板都包含一段说明文字和一份可直接复制的提示词。模板定义要包含三个部分输入变量用[方括号]标记、模型行为、输出样例。示例你是一名[岗位]运营。请基于以下[原始数据/信息]生成一份[周期/类型]报告。报告需包含核心结论、同比变化、异常点归因、下周动作建议。语气要求数据驱动不用空洞形容词。禁止臆测数据未提供的信息标注[数据缺失]。一旦模板化你会很快发现自己用AI的效率大幅上升因为你不再每次从零开始写提示词而是调整变量。如果用了自定义GPT这类模板还能升级成可以对外开放的智能应用这就引到下一章。5. 自动化与自定义GPT把提示词固化成资产这个系列标题里有“自动化”和“自定义GPT”所以这一章必须讲清楚一个观念提示词的终局形态不是零散对话而是被固化下来的、可以反复调用的“工作模块”。5.1 为什么一次性提示词撑不起自动化聊天式使用AI人人都能做到但它无法形成效率的复利。每次你重新写一次提示词就是在重新消耗时间而且很难保证上个月用的最佳写法没有被遗忘。自动化工作流的核心是把“提示词”嵌入到固定的流程里让输入变化时、输出自动跟随。一个简单的自动化例子你每天固定把新发布的文章链接和摘要扔给一个自定义GPT它自动整理成指定的格式归入表格再按标签分类。整个过程不需要你再手动控制对话方向因为提示词已经被设置成默认行为。这里的提示词不是写一次就算了而是在后台持续运行。5.2 自定义GPT的Instruction字段提示词“产品化”自定义GPT通常叫GPTs是提示词工程的自然延伸。你不再需要每次开头写“你是一名HRBP性格直接不看空话”而是把这些固化成这个GPT的系统指令。效果等同于“把这个角色固化成了产品”。我设计自定义GPT的Instruction时通常超过五个段落身份宣言、行为原则、处理流程、输入输出要求、禁止事项。其中行为原则和禁止事项尤其重要。只说“要做什么”还不够必须写清“不要做什么”比如“不要编造数据”“不要输出过于官方的腔调”“当信息缺失时主动提问而不是猜测”这些规则会让你的GPT明显比对话模式更稳定因为它已经替你设定了边界。自动化同样依赖提示词的稳定。任何工作流中的每一次模型调用背后都是一段被精调过的小提示词只是你可能看不见它。如果你想让AI自动完成“收集资料→生成初稿→校对格式”这样一条任务链那么你需要分别设计链路上每个环节的提示词并用自定义GPT或智能体工具把它们连接起来。5.3 第一步从高频固定任务开始尝试固化直接上手搭建复杂工作流门槛有点高。我给的建议是一个极简起步法找出你每周重复三次以上的任务比如写周报、整理会议纪要、生成宣传语。把这个任务的提示词写好、调优然后把它注册成一个自定义GPT或者在笔记工具里保存为一个模板。坚持两周你会感受到“一次调优、长期复用”的差距。不用刻意追求全智能先让一部分高频工作自动化。这个系列后续也会专门讲更复杂的“多步提示词工程”但第一步一定是先建立“提示词资产化”的意识把你每次的有效对话视作一个可以被保存和迭代的工程模块。6. 实测翻车现场那些我踩过的提示词坑前几章都在讲怎么把提示词写好这一章反过来聊聊翻车。很多坑只有真用的人才会懂。6.1 “幻觉式联想”当它为了让你满意而编造有一次我让它分析一份销售数据表输入时我漏掉了某个季度的数据模型没有告诉我数据缺失而是基于其他数据“推导”了一版数字看起来完全合理实际上全是编的。从那时起我在所有数据类任务里都会写一句话“只能使用我提供的数据不可以用你的常识补充数据如果数据不足直接说明缺失。”这类问题的本质是模型的对齐逻辑——它倾向于生成一个“看起来完整”的回答。作为使用者必须用提示词替它设下限。凡是事实、数据、引用都要在提示词里明确“信息来源”和“缺失处理方式”。宁可让它说“我不知道”也不要让它给你一个优雅的谎言。6.2 把提示词当成一次性咒语不懂迭代上瘾早期我也犯过这个毛病一句提示词写得不满意就删掉重写来回折腾半小时。后来我明白了模型是反馈系统不是许愿机。每一次生成都是一次逼近你要做的不是刷新重来而是在上一次结果上精准反馈。迭代的提示词技巧我在第三章提过一个版本这里再补充一个针对工作场景的细节让AI基于上一版输出做“定点修改”远比让它重写效率高。指定位置、指定痛点、指定要保留的部分它就能在保持整体结构的基础上精准调整像在审稿而不是每次推倒重来。6.3 对“全网爆款提示词”保持警惕网上的提示词模板满天飞很多有明确出处和测试基础的确实好用但也有很多只是换皮的“玄学话术”把几个花哨的词拼在一起宣传说“让AI智商提升300%”。我的原则是模板可以借但要经过自己的微调。任何模板拿过来应该先问三个问题它等于哪些五要素它的约束是否真的可执行它换到我的场景里需要改哪几个变量如果回答不上来那这个模板大概率对你没有实际用。把精力花在理解结构上比收藏一百个“咒语”资源有价值得多。从写需求文档式的结构化提示词到分场景调优再到把提示词固化成自动化资产这是一条完整的路径。我个人现在写新提示词时一般会先花两分钟把五要素在纸上列一遍再决定怎么组装看起来多花了两分钟但节省的远比这个多。这套方法论没有一招鲜的部分更像一门可以被持续打磨的手艺。下一篇我会继续往深处走聊一聊如何构建多步提示词链条也就是当一项任务需要多个AI步骤协同、甚至需要AI自主调用工具时情况会发生哪些变化。