提示词完全指南：从基础概念到核心技巧全解析
近期观察到许多学习者在运用提示词与大模型交互时，输出结果仍有较大提升空间。因此，本文对核心教学课件进行梳理与提炼，旨在系统性地介绍提示词的基础知识与实用技巧。
大语言模型的本质是一个预测引擎。它根据我们输入的上下文，计算出下一个最可能的词语（Token）。这个过程类似于高难度的“成语接龙”，模型基于海量文本训练出的规律，持续预测后续内容。
提示词是我们给予大模型的输入指令。其核心作用是引导模型，使其预测出的下一个乃至一连串的Token都能符合我们的预期目标。提示词工程则是一套通过持续优化输入内容，以系统性提升模型输出质量的方法论。它主要围绕三个关键维度展开：
- 质量维度：确保输出的内容具备专业性、完整性和高价值，让使用者感觉“切中要害”。
- 稳定性维度：保证模型在不同情境和时间下，都能产生稳定、可预期的表现，让人感觉“可靠信赖”。
- 正确性维度：保障输出信息的准确度与可信度，避免生成虚假或具有误导性的内容，让人感觉“言之有据”。
当然，提示词工程并非无所不能。它无法突破基础模型本身的能力上限，也不能保证输出的绝对正确。它的核心价值在于，能够在模型现有的能力范围内，显著提高其输出符合期望结果的概率。
二、提示词的分类：系统提示词与用户提示词
根据使用场景和设定者的不同，提示词主要分为系统提示词和用户提示词，二者区别显著：
- 系统提示词：在开发AI应用时，开发者预先为模型设定的角色定位、行为准则和回复逻辑。它作为模型的初始化参数，在整个对话会话中持续生效，深远地影响着模型的响应模式和风格。
- 用户提示词：用户在与AI应用进行具体对话时输入的指令或问题。它是用户向模型发起的即时任务请求，旨在指导模型完成某个特定动作或提供特定信息。
举例说明：假设我们需要构建一个健康咨询助手。
- 系统提示词示例：“你是一个友好且专业的健康咨询助手，专注于为用户提供基于循证医学的科学健康建议。你的回答应当谨慎，避免给出明确的诊断，并建议用户对于严重症状及时就医…”
- 用户提示词示例：“我最近一周总是感到异常疲劳和嗜睡，可能是什么原因？需要注意什么？”
三、提示词的常见格式与选择
撰写提示词可采用多种格式，如自然语言、Markdown、XML、伪代码等。格式本身并无绝对优劣，关键在于能否通过结构化的表达，让模型清晰理解指令，并明确区分指令与待处理内容之间的边界。
以下简要介绍几种主流格式及其适用场景：
1. 自然语言
你是一个代码评审专家，请帮我检查下面的代码是否存在问题，并给出优化建议。
注意：不要重写完整代码，只指出问题和改进点。
特点：最为直观、简单，适合普通用户处理简单任务。然而，在复杂场景下容易产生歧义，对指令的约束力较弱。
2. Markdown
# 角色
代码评审专家
# 任务
检查我提供的代码，指出潜在问题并给出优化建议
# 要求
- 不要重写完整代码
- 按问题点逐条说明
- 说明原因及改进思路
特点：兼顾简洁与强大的结构化能力，是大模型提示词工程中最常用的格式之一。其清晰的标题、列表层级能有效帮助模型划分内容区块，理解任务结构。
3. XML
<角色>
代码评审专家
</角色>
<任务>
检查我提供的代码，指出潜在问题并给出优化建议
</任务>
<要求>
<规则>不要重写完整代码</规则>
<规则>按问题点逐条说明</规则>
<规则>说明原因及改进思路</规则>
</要求>
特点：结构极其清晰，标签化的方式使得层次分明，便于模型精准解析。虽然对普通用户而言稍显繁琐，但非常适合处理包含多部分输入、复杂约束条件的任务。
4. 伪代码
## 规则判断执行（顺序如下）：
----------
IF 天数 < 3:
RETURN false + "数据量不足，建议延长实验"
IF 最长连续负向天数 ≥ 3 AND 最后一天 ≤ 0% AND 最后2天无正向:
RETURN true + "连续X天用户减少，最后仍未好转，建议停止实验"
... (其他条件分支)
特点：使用编程式的控制逻辑（如 IF/ELSE）来编写提示词，最大程度地减少了自然语言的歧义。适用于复杂决策、多条件判断、智能体（Agent）提示或工作流场景，能明确告知模型在不同条件下的行动路径。
选择建议：实际使用时，应根据任务复杂度选择一种格式，或组合使用。核心原则是通过结构化表达消除指令的模糊性。
四、提示词的核心要素与高阶技巧
为了系统化地向模型提供明确的背景和指令，业界总结了许多提示词框架。这些框架的核心要素通常包括：为模型设定角色、提供充足的背景信息、交代清晰的任务目标以及设定输出的格式与约束条件。
掌握基础概念后，以下是一些能够显著提升模型表现的关键技巧：
技巧一：提供清晰、具体、详细的指令
分配给模型的任务描述，应像给一位资深同事的工作简报一样详尽。模糊的指令导致随机的输出，而具体、无歧义的描述则能大幅提高模型预测的准确性。
示例：
你的任务是为我们的Q3 AcmeCloud功能发布制作一封有针对性的营销电子邮件。
指示：
1. 目标受众：计划从本地部署升级到云的中型科技公司（100-500名员工）。
2. 突出3个关键新功能：高级数据加密、跨平台同步和实时协作。
3. 语气：专业但平易近人。强调安全性、效率和团队合作。
4. 包含明确的行动号召：提供免费30天试用及优先入职支持。
5. 主题行：少于50个字符，必须包含“安全”和“协作”关键词。
6. 个性化：使用 {{公司名称}} 和 {{联系人姓名}} 变量。
结构：
1. 主题行
2. 电子邮件正文（150-200字）
3. 行动号召按钮文本
技巧二：提供参考示例（少样本学习）
在提示词中提供高质量的输入-输出示例，可以极大地减少模型对指令的误解。这种方法被称为单样本学习（One-shot）或少样本学习（Few-shot），尤其适用于需要固定格式输出的任务。
要点：示例需具备相关性、准确性和一定的多样性，并用明确的标签（如 <example>）包裹，以帮助模型识别。
示例：
任务：分析客户反馈，并分类。
类别：UI/UX、性能、功能请求、集成、定价、其他。
还需评估情绪（正面/中立/负面）和优先级（高/中/低）。
输出示例：
<example>
输入：“新仪表板一团糟！加载需要很长时间，我找不到导出按钮。立即修复！”
类别：UI/UX、性能
情绪：负面
优先级：高
</example>
现在，请分析以下反馈：
<feedback>
“新仪表板简直没法用！加载慢得要命，找个导出按钮还得满世界乱翻！你们赶紧处理！”
</feedback>
技巧三：为模型设定具体角色
通过系统提示词为模型设定一个专业或特定的角色（如“资深金融分析师”、“顶尖文案写手”），能从三个方面优化输出：
- 提升准确性：在专业领域，角色扮演能激活模型内相关的知识语料。
- 统一风格语气：输出会更符合该角色的沟通习惯。
- 增强专注度：将模型的注意力聚焦于角色相关的任务范畴。
原理：一个具体的角色背后关联着大量训练数据中的相关模式，这相当于为当前任务提供了更精准的上下文锚点。
示例：
你是一家财富500强科技公司的总法律顾问。我们正在评审一份软件许可协议，拟用于核心数据基础设施。
<协议文本>
{{此处放置协议内容}}
</协议文本>
请分析其中的潜在法律风险，重点关注赔偿责任、责任限制和知识产权归属条款，并给出你的专业评估意见。
技巧四：使用分隔符清晰划分内容区块
对于包含多部分输入（如长文本、参考材料、不同指令）的复杂提示，使用明确的分隔符（如 ###、===、<tag>）划分区块至关重要。这能强力引导模型正确解析不同部分的用途。
示例（使用XML标签）：
分析此软件许可协议中的法律风险。
<协议正文>
此处放置协议长文本...
</协议正文>
<参考合同>
此处放置我司标准合同条款...
</参考合同>
<分析要求>
1. 对比分析赔偿责任条款。
2. 识别任何异常的风险条款。
3. 在 <分析摘要> 标签中总结核心发现。
4. 在 <行动建议> 标签中列出后续步骤。
</分析要求>
技巧五：引导模型进行链式思考
对于需要复杂逻辑推理的任务，可以要求模型“一步步思考”或展示其推理过程。这种技术被称为“思维链”（Chain of Thought），它能鼓励模型拆解问题，从而产生更可靠、细致的答案。
示例：
为一位长期捐赠者起草一封个性化的捐款请求邮件，支持“关爱儿童”项目。
<项目详情>{{PROGRAM_DETAILS}}</项目详情>
<捐赠者信息>{{DONOR_DETAILS}}</捐赠者信息>
请在撰写邮件前，进行逐步推理，并将思考过程写在 <思考过程> 标签中。
首先，分析该捐赠者的历史捐赠偏好。
其次，匹配本项目中最能吸引他的亮点。
最后，在 <邮件正文> 标签中，基于以上分析完成邮件撰写。
技巧六：将复杂任务拆解为提示词链
面对包含多步骤的复杂任务，将其拆分为一系列子任务，并使用多个提示词接力完成（上一步的输出作为下一步的输入），可以显著提升每个环节的准确性和整体结果的稳定性。虽然耗时可能增加，但输出质量更有保障。
任务示例：分析新品与竞品的优劣，提炼卖点，并撰写营销文案。
- 提示词一：专注于竞品分析对比，生成对比表格。
- 提示词二：接收对比表格，专注于提炼三条核心卖点。
- 提示词三：接收核心卖点，专注于撰写面向特定人群的营销文案。
优势：每个提示词目标单一，能获得模型的全部注意力，降低了单次任务的复杂度，也便于问题排查和优化。
五、结语
在实际应用中，编写高效的提示词是一个需要持续迭代和调试的过程。最终输出的质量，是提示词设计、模型本身能力以及所提供上下文信息共同作用的结果。希望本文梳理的基础知识与核心技巧，能为您与大模型的交互提供切实的帮助。