1. 为什么大多数人写提示词都在做无用功我见过太多人把提示词当成“咒语”来用。打开对话框敲一句“帮我写个方案”结果不满意就换一句“请帮我写一个高质量的方案”还是不满意再改成“你是一个资深专家请帮我写一个非常高质量的方案”。折腾半小时输出质量原地踏步。问题出在哪他们把提示词工程理解成了“措辞优化”而实际上它是一套结构化的需求表达系统。你写提示词的水平本质上取决于你把模糊需求翻译成精确指令的能力。这跟写代码之前要先画架构图是一个道理——你不会上来就敲业务逻辑你会先想清楚模块怎么分、数据怎么流、边界在哪。我刚开始接触大模型的时候也走过弯路。那时候觉得提示词就是“会说话就行”直到有一次用AI辅助做竞品分析输出全是正确的废话我才意识到模型不缺知识缺的是你告诉它“用哪部分知识、按什么结构、输出给谁看”。后来我花了两周时间把提示词拆成了五个可复用的模块输出质量直接上了一个台阶。这套框架我用了大半年从写代码、做方案、分析数据到生成原型图基本没翻过车。这篇文章就是把这套框架完整拆开从底层逻辑到实操步骤再到常见坑的排查全部讲透。不管你是刚接触AI提示词的新手还是已经用过一段时间但输出不稳定的人这套方法都能直接抄作业。核心关键词就两个AI提示词和提示词工程但我会把它们拆成你能直接上手操作的东西而不是停留在概念层面。2. 五步框架的整体设计与底层逻辑2.1 为什么是五步而不是三步或十步市面上讲提示词的文章很多有说“角色任务格式”三步走的也有列十几条技巧的。三步太粗遇到复杂任务就兜不住十几步太碎记都记不住更别说用了。我总结的五步是角色锚定、上下文注入、任务拆解、输出约束、迭代校准。这五步覆盖了从“让模型知道它是谁”到“让模型知道做到什么程度算好”的完整链路。每一步解决一个特定问题缺了哪一步输出就会在某个维度上失控。举个例子。你让模型“写一个Python爬虫”这是任务。但如果不告诉它“你是资深后端工程师代码要符合PEP8异常处理要完整”它可能给你一个能跑但极其粗糙的脚本。如果不给它“目标网站的结构特征”它可能用错选择器。如果不约束“输出只要代码不要解释”它可能给你一大段文字说明。如果不做迭代校准你可能永远不知道它在哪个环节理解偏了。五步框架的价值在于每一步都是一个检查点。输出不好的时候你可以快速定位是哪一步没做到位而不是盲目地换措辞。2.2 框架背后的核心原理降低模型的“猜测成本”大模型的工作原理是基于概率生成文本。你给的指令越模糊它需要“猜”的空间就越大。猜对了是运气猜错了是常态。这就像你让一个装修师傅“把墙弄好看点”。他可能刷白、可能贴壁纸、可能做艺术漆每一种都“好看”但未必是你想要的。如果你说“客厅电视背景墙现代简约风格浅灰色乳胶漆不要壁纸”他就不需要猜了。提示词工程的核心就是把模型的猜测成本降到最低。角色锚定告诉它“用谁的经验来猜”上下文注入告诉它“基于什么信息来猜”任务拆解告诉它“按什么顺序来猜”输出约束告诉它“猜成什么样算合格”迭代校准则是“猜偏了怎么拉回来”。这五个环节环环相扣。少了角色模型会用通用视角回答深度不够少了上下文模型会用训练数据里的平均答案针对性不强少了任务拆解模型会按自己的理解组织内容结构可能混乱少了输出约束格式和篇幅不可控少了迭代校准你无法系统性地优化。2.3 这套框架适合什么场景这套框架的适用范围非常广。我实测下来以下几类任务效果最明显代码生成与调试比如“AI写代码规则设定提示词工程”这个热词场景用五步框架可以生成结构清晰、注释完整、异常处理到位的代码而不是那种“能跑但不敢用”的片段。数据分析与预测像“AI预测Airbnb房价提示词”这类任务需要模型理解数据字段、选择建模思路、输出可解释的结果五步框架能确保它不跑偏。产品原型与设计比如“让墨刀AI生成App原型图又快又准”关键在于把页面结构、交互逻辑、视觉风格拆解清楚这正是任务拆解和输出约束要解决的问题。内容创作与策划从写文章到做方案角色锚定和上下文注入能显著提升输出的专业度和针对性。不适合的场景也有纯事实查询“今天天气怎么样”不需要这么复杂创意发散类任务“帮我想100个名字”可以适当简化约束否则会限制模型的创造力。3. 每一步的核心细节与实操要点3.1 角色锚定不是写“你是一个专家”就完事了很多人写角色就是“你是一个资深XX专家”这基本等于没写。因为“资深专家”太泛了模型不知道用哪个领域的知识、什么年代的实践、什么风格的表达。有效的角色锚定要包含三个要素领域经验年限输出风格。比如你要生成一个React组件不要写“你是一个前端专家”要写“你是一个有8年React开发经验的前端工程师熟悉Hooks和TypeScript代码风格偏向函数式编程注释简洁但关键逻辑必须说明”。再比如你要做竞品分析不要写“你是一个分析师”要写“你是一个在SaaS行业做了5年竞品分析的产品经理擅长用SWOT和波特五力模型输出风格是结论先行、数据支撑、不写废话”。这里有个细节经验年限不是随便写的。3年和8年的区别在于8年经验意味着模型会调用更复杂的模式识别和更成熟的判断逻辑。我实测下来写“8年”比写“资深”的输出质量高出一截因为“资深”太模糊而具体数字给了模型一个明确的“经验密度”信号。还有一个坑不要给模型设太多角色。有人写“你是一个既懂技术又懂业务还懂设计的全栈专家”这种角色等于没有角色模型会回到通用模式。一个提示词只锚定一个核心角色需要多角色协作就分多次调用。3.2 上下文注入给模型“喂”它不知道的信息模型的知识来自训练数据它不知道你的项目背景、业务约束、用户特征。上下文注入就是把这些信息补给它。上下文分三类背景信息项目是做什么的、目标用户是谁、当前处于什么阶段。约束条件技术栈限制、预算限制、时间限制、合规要求。参考素材已有的代码片段、数据样本、设计稿描述、竞品链接。我见过最常见的错误是上下文给太多但没有重点。有人把整个需求文档粘贴进去几千字模型反而抓不住关键。正确的做法是分层给先给一段话概括背景再给关键约束的列表最后给必要的参考素材。比如做“AI漫剧提示词”这个场景上下文可以这样写背景我们要生成一个3分钟短漫剧的分镜脚本目标平台是短视频受众是18-25岁年轻人。 约束每集不超过5个场景每个场景不超过3句对白风格偏轻松搞笑不能出现暴力或敏感内容。 参考第一集已经确定主角是一个外卖员和一只会说话的猫冲突点是外卖超时。这样模型就知道该往哪个方向生成而不是给你一个通用的剧本模板。3.3 任务拆解把“大活”切成“小活”这是五步里最容易被忽略但最关键的一步。你让模型“写一个完整的App”它大概率会给你一个框架但细节经不起推敲。你把它拆成“先设计数据库表结构再写API接口再写前端页面最后写部署脚本”每一步的输出质量都会高很多。任务拆解的核心原则是每个子任务都有明确的输入和输出。比如“AI编程提示词”这个场景不要写“帮我写一个用户登录功能”要拆成设计用户表结构包含字段名、类型、约束、索引。写登录接口的伪代码包含参数校验、密码加密、token生成、异常处理。写前端登录表单的React组件包含表单校验、loading状态、错误提示。写单元测试用例覆盖正常登录、密码错误、账号不存在三种情况。每个子任务单独调用一次模型输出质量比一次性生成高得多。而且这样做还有一个好处你可以逐步验证。第一步的表结构不对后面就不用继续了省时间。3.4 输出约束告诉模型“做到什么程度算好”输出约束包括四个方面格式、篇幅、风格、禁止项。格式约束最常用的是Markdown、JSON、表格、代码块。比如“输出必须是JSON格式包含code、message、data三个字段”这样模型就不会给你一段散文。篇幅约束要具体。“写详细一点”是无效约束“每个部分不少于300字”才是有效约束。但也要注意篇幅约束太死会导致模型凑字数所以最好配合“信息密度”要求比如“每个要点必须有具体例子或数据支撑不要写空话”。风格约束包括语气、人称、专业度。比如“用口语化表达像朋友聊天”“用正式书面语适合放在技术文档里”“结论先行每段第一句是核心观点”。禁止项是最容易被忽略但最有效的约束。比如“不要使用‘首先、其次、最后’这种连接词”“不要写总结段”“不要出现‘通过本文’‘综上所述’这类表达”。你禁止什么模型就会避开什么。3.5 迭代校准不是重写而是定位问题输出不满意的时候大多数人的做法是重新写一遍提示词。这是效率最低的方式。正确的做法是定位是哪一步出了问题。如果输出方向不对检查角色锚定和上下文注入。如果输出结构混乱检查任务拆解。如果输出格式不对检查输出约束。如果输出质量不稳定检查是不是某一步的指令有歧义。我常用的校准方法是增量修改保留原来的提示词只改一个变量看输出变化。比如先改角色描述看输出风格是否变化再改上下文看针对性是否提升。这样你能清楚地知道每个变量的影响。还有一个技巧让模型自己解释它的理解。在提示词最后加一句“在开始任务之前先用一句话概括你对这个任务的理解”。如果它的理解和你的预期有偏差你立刻就能发现不用等它生成完再返工。4. 完整实操流程与关键环节实现4.1 从零搭建一个代码生成提示词假设我们要生成一个Python函数功能是“从Airbnb房源数据中预测房价”。这是一个典型的“AI预测Airbnb房价提示词”场景。第一步角色锚定。你是一个有10年经验的机器学习工程师擅长用Python做数据分析和预测建模代码风格偏向scikit-learn和pandas注释只写关键逻辑不写废话。第二步上下文注入。背景我有一个Airbnb房源数据集包含以下字段房间类型、容纳人数、卧室数、床数、浴室数、最低住宿天数、评论数、评分、地理位置经纬度、价格。 约束数据量约5万条有缺失值价格分布右偏。目标是用回归模型预测价格要求模型可解释不能是黑盒。 参考之前用线性回归做过R²只有0.45效果不好。第三步任务拆解。请按以下步骤完成数据预处理处理缺失值、异常值、类别特征编码。特征工程构造新特征比如“每卧室价格”“评论频率”等。模型选择对比线性回归、随机森林、梯度提升树选最优。模型评估用交叉验证输出R²、MAE、特征重要性。输出完整代码包含注释和运行说明。第四步输出约束。格式Python代码块每个步骤之间用注释分隔。 篇幅代码不超过200行注释不超过总行数的20%。 风格代码符合PEP8变量命名清晰函数职责单一。 禁止不要使用深度学习框架不要写与任务无关的示例数据。第五步迭代校准。在开始写代码之前先用三句话说明你的建模思路和预期效果。这样一套下来模型输出的代码基本可以直接跑而且结构清晰、注释到位。我实测过比直接说“帮我写个预测房价的代码”质量高出一个量级。4.2 参数选择与计算过程在提示词工程中有几个参数需要根据任务类型调整参数适用场景建议值理由温度代码生成、数据分析0.2-0.4需要确定性输出避免随机性温度创意写作、头脑风暴0.7-0.9需要多样性鼓励发散最大长度代码生成2000-4000 tokens代码通常较长需要足够空间最大长度摘要生成200-500 tokens摘要要精炼限制长度防止啰嗦顶部采样大多数场景0.9-0.95平衡多样性和质量这些参数不是固定的需要根据实际输出调整。比如代码生成时如果发现模型总是写多余的注释可以降低温度到0.2如果发现生成的方案太保守可以提高温度到0.6。4.3 实操现场记录一次完整的提示词调试我拿“让墨刀AI生成App原型图”这个场景做一次完整记录。初始提示词帮我生成一个外卖App的原型图。输出问题生成了一个通用的五页面原型没有特色页面元素堆砌交互逻辑不清晰。定位问题角色锚定缺失上下文注入不足任务拆解没有输出约束没有。修改后提示词你是一个有5年经验的移动端产品经理擅长用墨刀做高保真原型设计风格偏向简洁实用注重交互效率。背景我们要做一个面向大学校园的外卖App核心用户是学生核心场景是“宿舍点餐30分钟内送达”。竞品有美团和饿了么但我们的差异点是“只服务本校食堂和周边500米内商家”。请按以下步骤生成原型图描述首页展示推荐商家、搜索栏、分类入口、购物车悬浮按钮。商家详情页菜单列表、加购按钮、评价摘要、配送时间提示。购物车页商品列表、数量调整、备注输入、结算按钮。订单跟踪页配送地图、骑手信息、预计送达时间、联系骑手按钮。个人中心订单历史、地址管理、优惠券、设置。输出格式每个页面用Markdown表格描述包含“区域名称、元素类型、交互说明”三列。 禁止不要出现与校园外卖无关的功能不要写技术实现细节。输出结果五个页面的结构清晰每个页面的元素和交互都有明确说明直接可以照着在墨刀里拖拽实现。这就是五步框架的威力。5. 常见问题与排查技巧实录5.1 输出质量不稳定的排查思路输出质量忽好忽坏通常不是模型的问题而是提示词有歧义。排查顺序如下检查角色锚定是否具体。“资深专家”换成“8年经验的后端工程师擅长高并发场景”。检查上下文是否充分。模型是否知道项目背景、目标用户、约束条件。检查任务拆解是否清晰。每个子任务是否有明确的输入和输出。检查输出约束是否可执行。“写详细一点”换成“每个部分不少于300字必须有具体例子”。检查是否有禁止项遗漏。模型是否在写你不想要的内容。我整理了一个速查表问题现象可能原因解决方法输出太泛没有针对性上下文不足补充项目背景、目标用户、约束条件输出结构混乱任务拆解缺失把大任务拆成有顺序的子任务输出格式不对输出约束不明确指定格式、篇幅、风格、禁止项输出风格不对角色锚定太泛写具体领域、经验年限、输出风格输出质量不稳定提示词有歧义让模型先概括理解再执行任务输出太长或太短篇幅约束缺失指定字数范围或信息密度要求5.2 三个我踩过的坑第一个坑角色写太多。我曾经写“你是一个既懂前端又懂后端还懂运维的全栈工程师”结果模型输出什么都沾一点什么都不深。后来改成“你是一个专注React前端开发的工程师”输出质量立刻提升。第二个坑上下文给太多。有一次我把整个需求文档粘贴进去三千多字模型反而抓不住重点输出偏离核心需求。后来改成“背景一段话约束列表参考素材”效果好了很多。第三个坑不做迭代校准。早期我输出不满意就重写提示词浪费了大量时间。后来学会增量修改每次只改一个变量效率提升至少三倍。5.3 进阶技巧让模型自己优化提示词这是一个很少人用的技巧让模型帮你改提示词。具体做法是把你写的提示词和不满意的输出一起发给模型然后说“这是我的提示词和输出结果请分析提示词中哪些地方导致了输出问题并给出修改建议”。模型会从它的视角指出哪些指令有歧义、哪些约束不够具体、哪些信息缺失。我试过几次它指出的问题往往是我自己没意识到的。比如有一次它说“你的角色描述中没有指定输出语言我默认用了英文”我才发现忘了加“用中文输出”。这个技巧特别适合调试复杂提示词相当于让模型站在“被指令方”的角度给你反馈。6. 框架的扩展与组合应用6.1 多轮对话中的提示词管理五步框架不仅适用于单次调用也适用于多轮对话。在多轮场景中每一轮都可以看作一次完整的五步循环但角色锚定和上下文注入可以继承只需要更新任务拆解和输出约束。比如做“系统提示词工程和skill agent有什么区别”这个主题的研究第一轮让模型解释概念第二轮让模型对比差异第三轮让模型给出应用场景。每一轮的角色和上下文不变只改任务和约束。这里有个技巧在对话开始时就把角色和上下文固定下来后续每轮只发任务和约束。这样既节省token又保持输出风格一致。6.2 与其他工具的配合五步框架可以和很多工具配合使用。比如与DeepSeek-V2配合用五步框架写规划提示词让模型生成任务分解和优先级排序再用生成的结果去驱动其他工具。与墨刀AI配合用五步框架生成页面结构和交互描述直接导入墨刀生成原型图。与代码编辑器配合用五步框架生成代码片段直接粘贴到IDE中运行和调试。核心思路是五步框架负责“想清楚”其他工具负责“做出来”。你想得越清楚工具执行得越准确。6.3 从提示词工程到上下文工程现在行业里在提“大模型提示词工程与上下文工程”其实五步框架已经包含了上下文工程的雏形。上下文注入这一步本质上就是在管理模型的“工作记忆”。进一步的扩展是把上下文分成静态和动态两部分。静态上下文是项目背景、角色设定、长期约束每次调用都带上动态上下文是当前任务的具体信息、最新数据、临时约束每次调用时更新。这样做的好处是你可以建立一个“上下文模板库”针对不同类型的任务预置不同的上下文组合用的时候直接调用不用每次从头写。7. 我个人的实操体会这套五步框架我用了大半年最大的感受是提示词工程不是玄学是工程。工程意味着有方法、有步骤、可复现、可优化。你不需要天赋只需要按步骤执行然后根据反馈调整。另一个体会是不要追求一次完美。我见过很多人写提示词改来改去不满意最后放弃了。其实第一版能到60分就够了然后通过迭代校准逐步提升到80分、90分。迭代的成本远低于重写的成本。最后分享一个小技巧建立自己的提示词库。每次调出一个好用的提示词就把它保存下来标注适用场景和关键参数。下次遇到类似任务直接调用并微调效率会越来越高。我现在有几十个常用提示词模板覆盖代码生成、数据分析、内容创作、产品设计等场景基本能做到“拿来即用”。这个框架后续还可以继续扩展比如加入“多模型对比”环节同一个提示词分别发给不同模型对比输出质量或者加入“自动化校准”环节用脚本批量测试不同参数组合找到最优配置。这些我还在摸索中有新的心得再分享。
五步框架：从零构建高质量AI提示词工程实战指南
1. 为什么大多数人写提示词都在做无用功我见过太多人把提示词当成“咒语”来用。打开对话框敲一句“帮我写个方案”结果不满意就换一句“请帮我写一个高质量的方案”还是不满意再改成“你是一个资深专家请帮我写一个非常高质量的方案”。折腾半小时输出质量原地踏步。问题出在哪他们把提示词工程理解成了“措辞优化”而实际上它是一套结构化的需求表达系统。你写提示词的水平本质上取决于你把模糊需求翻译成精确指令的能力。这跟写代码之前要先画架构图是一个道理——你不会上来就敲业务逻辑你会先想清楚模块怎么分、数据怎么流、边界在哪。我刚开始接触大模型的时候也走过弯路。那时候觉得提示词就是“会说话就行”直到有一次用AI辅助做竞品分析输出全是正确的废话我才意识到模型不缺知识缺的是你告诉它“用哪部分知识、按什么结构、输出给谁看”。后来我花了两周时间把提示词拆成了五个可复用的模块输出质量直接上了一个台阶。这套框架我用了大半年从写代码、做方案、分析数据到生成原型图基本没翻过车。这篇文章就是把这套框架完整拆开从底层逻辑到实操步骤再到常见坑的排查全部讲透。不管你是刚接触AI提示词的新手还是已经用过一段时间但输出不稳定的人这套方法都能直接抄作业。核心关键词就两个AI提示词和提示词工程但我会把它们拆成你能直接上手操作的东西而不是停留在概念层面。2. 五步框架的整体设计与底层逻辑2.1 为什么是五步而不是三步或十步市面上讲提示词的文章很多有说“角色任务格式”三步走的也有列十几条技巧的。三步太粗遇到复杂任务就兜不住十几步太碎记都记不住更别说用了。我总结的五步是角色锚定、上下文注入、任务拆解、输出约束、迭代校准。这五步覆盖了从“让模型知道它是谁”到“让模型知道做到什么程度算好”的完整链路。每一步解决一个特定问题缺了哪一步输出就会在某个维度上失控。举个例子。你让模型“写一个Python爬虫”这是任务。但如果不告诉它“你是资深后端工程师代码要符合PEP8异常处理要完整”它可能给你一个能跑但极其粗糙的脚本。如果不给它“目标网站的结构特征”它可能用错选择器。如果不约束“输出只要代码不要解释”它可能给你一大段文字说明。如果不做迭代校准你可能永远不知道它在哪个环节理解偏了。五步框架的价值在于每一步都是一个检查点。输出不好的时候你可以快速定位是哪一步没做到位而不是盲目地换措辞。2.2 框架背后的核心原理降低模型的“猜测成本”大模型的工作原理是基于概率生成文本。你给的指令越模糊它需要“猜”的空间就越大。猜对了是运气猜错了是常态。这就像你让一个装修师傅“把墙弄好看点”。他可能刷白、可能贴壁纸、可能做艺术漆每一种都“好看”但未必是你想要的。如果你说“客厅电视背景墙现代简约风格浅灰色乳胶漆不要壁纸”他就不需要猜了。提示词工程的核心就是把模型的猜测成本降到最低。角色锚定告诉它“用谁的经验来猜”上下文注入告诉它“基于什么信息来猜”任务拆解告诉它“按什么顺序来猜”输出约束告诉它“猜成什么样算合格”迭代校准则是“猜偏了怎么拉回来”。这五个环节环环相扣。少了角色模型会用通用视角回答深度不够少了上下文模型会用训练数据里的平均答案针对性不强少了任务拆解模型会按自己的理解组织内容结构可能混乱少了输出约束格式和篇幅不可控少了迭代校准你无法系统性地优化。2.3 这套框架适合什么场景这套框架的适用范围非常广。我实测下来以下几类任务效果最明显代码生成与调试比如“AI写代码规则设定提示词工程”这个热词场景用五步框架可以生成结构清晰、注释完整、异常处理到位的代码而不是那种“能跑但不敢用”的片段。数据分析与预测像“AI预测Airbnb房价提示词”这类任务需要模型理解数据字段、选择建模思路、输出可解释的结果五步框架能确保它不跑偏。产品原型与设计比如“让墨刀AI生成App原型图又快又准”关键在于把页面结构、交互逻辑、视觉风格拆解清楚这正是任务拆解和输出约束要解决的问题。内容创作与策划从写文章到做方案角色锚定和上下文注入能显著提升输出的专业度和针对性。不适合的场景也有纯事实查询“今天天气怎么样”不需要这么复杂创意发散类任务“帮我想100个名字”可以适当简化约束否则会限制模型的创造力。3. 每一步的核心细节与实操要点3.1 角色锚定不是写“你是一个专家”就完事了很多人写角色就是“你是一个资深XX专家”这基本等于没写。因为“资深专家”太泛了模型不知道用哪个领域的知识、什么年代的实践、什么风格的表达。有效的角色锚定要包含三个要素领域经验年限输出风格。比如你要生成一个React组件不要写“你是一个前端专家”要写“你是一个有8年React开发经验的前端工程师熟悉Hooks和TypeScript代码风格偏向函数式编程注释简洁但关键逻辑必须说明”。再比如你要做竞品分析不要写“你是一个分析师”要写“你是一个在SaaS行业做了5年竞品分析的产品经理擅长用SWOT和波特五力模型输出风格是结论先行、数据支撑、不写废话”。这里有个细节经验年限不是随便写的。3年和8年的区别在于8年经验意味着模型会调用更复杂的模式识别和更成熟的判断逻辑。我实测下来写“8年”比写“资深”的输出质量高出一截因为“资深”太模糊而具体数字给了模型一个明确的“经验密度”信号。还有一个坑不要给模型设太多角色。有人写“你是一个既懂技术又懂业务还懂设计的全栈专家”这种角色等于没有角色模型会回到通用模式。一个提示词只锚定一个核心角色需要多角色协作就分多次调用。3.2 上下文注入给模型“喂”它不知道的信息模型的知识来自训练数据它不知道你的项目背景、业务约束、用户特征。上下文注入就是把这些信息补给它。上下文分三类背景信息项目是做什么的、目标用户是谁、当前处于什么阶段。约束条件技术栈限制、预算限制、时间限制、合规要求。参考素材已有的代码片段、数据样本、设计稿描述、竞品链接。我见过最常见的错误是上下文给太多但没有重点。有人把整个需求文档粘贴进去几千字模型反而抓不住关键。正确的做法是分层给先给一段话概括背景再给关键约束的列表最后给必要的参考素材。比如做“AI漫剧提示词”这个场景上下文可以这样写背景我们要生成一个3分钟短漫剧的分镜脚本目标平台是短视频受众是18-25岁年轻人。 约束每集不超过5个场景每个场景不超过3句对白风格偏轻松搞笑不能出现暴力或敏感内容。 参考第一集已经确定主角是一个外卖员和一只会说话的猫冲突点是外卖超时。这样模型就知道该往哪个方向生成而不是给你一个通用的剧本模板。3.3 任务拆解把“大活”切成“小活”这是五步里最容易被忽略但最关键的一步。你让模型“写一个完整的App”它大概率会给你一个框架但细节经不起推敲。你把它拆成“先设计数据库表结构再写API接口再写前端页面最后写部署脚本”每一步的输出质量都会高很多。任务拆解的核心原则是每个子任务都有明确的输入和输出。比如“AI编程提示词”这个场景不要写“帮我写一个用户登录功能”要拆成设计用户表结构包含字段名、类型、约束、索引。写登录接口的伪代码包含参数校验、密码加密、token生成、异常处理。写前端登录表单的React组件包含表单校验、loading状态、错误提示。写单元测试用例覆盖正常登录、密码错误、账号不存在三种情况。每个子任务单独调用一次模型输出质量比一次性生成高得多。而且这样做还有一个好处你可以逐步验证。第一步的表结构不对后面就不用继续了省时间。3.4 输出约束告诉模型“做到什么程度算好”输出约束包括四个方面格式、篇幅、风格、禁止项。格式约束最常用的是Markdown、JSON、表格、代码块。比如“输出必须是JSON格式包含code、message、data三个字段”这样模型就不会给你一段散文。篇幅约束要具体。“写详细一点”是无效约束“每个部分不少于300字”才是有效约束。但也要注意篇幅约束太死会导致模型凑字数所以最好配合“信息密度”要求比如“每个要点必须有具体例子或数据支撑不要写空话”。风格约束包括语气、人称、专业度。比如“用口语化表达像朋友聊天”“用正式书面语适合放在技术文档里”“结论先行每段第一句是核心观点”。禁止项是最容易被忽略但最有效的约束。比如“不要使用‘首先、其次、最后’这种连接词”“不要写总结段”“不要出现‘通过本文’‘综上所述’这类表达”。你禁止什么模型就会避开什么。3.5 迭代校准不是重写而是定位问题输出不满意的时候大多数人的做法是重新写一遍提示词。这是效率最低的方式。正确的做法是定位是哪一步出了问题。如果输出方向不对检查角色锚定和上下文注入。如果输出结构混乱检查任务拆解。如果输出格式不对检查输出约束。如果输出质量不稳定检查是不是某一步的指令有歧义。我常用的校准方法是增量修改保留原来的提示词只改一个变量看输出变化。比如先改角色描述看输出风格是否变化再改上下文看针对性是否提升。这样你能清楚地知道每个变量的影响。还有一个技巧让模型自己解释它的理解。在提示词最后加一句“在开始任务之前先用一句话概括你对这个任务的理解”。如果它的理解和你的预期有偏差你立刻就能发现不用等它生成完再返工。4. 完整实操流程与关键环节实现4.1 从零搭建一个代码生成提示词假设我们要生成一个Python函数功能是“从Airbnb房源数据中预测房价”。这是一个典型的“AI预测Airbnb房价提示词”场景。第一步角色锚定。你是一个有10年经验的机器学习工程师擅长用Python做数据分析和预测建模代码风格偏向scikit-learn和pandas注释只写关键逻辑不写废话。第二步上下文注入。背景我有一个Airbnb房源数据集包含以下字段房间类型、容纳人数、卧室数、床数、浴室数、最低住宿天数、评论数、评分、地理位置经纬度、价格。 约束数据量约5万条有缺失值价格分布右偏。目标是用回归模型预测价格要求模型可解释不能是黑盒。 参考之前用线性回归做过R²只有0.45效果不好。第三步任务拆解。请按以下步骤完成数据预处理处理缺失值、异常值、类别特征编码。特征工程构造新特征比如“每卧室价格”“评论频率”等。模型选择对比线性回归、随机森林、梯度提升树选最优。模型评估用交叉验证输出R²、MAE、特征重要性。输出完整代码包含注释和运行说明。第四步输出约束。格式Python代码块每个步骤之间用注释分隔。 篇幅代码不超过200行注释不超过总行数的20%。 风格代码符合PEP8变量命名清晰函数职责单一。 禁止不要使用深度学习框架不要写与任务无关的示例数据。第五步迭代校准。在开始写代码之前先用三句话说明你的建模思路和预期效果。这样一套下来模型输出的代码基本可以直接跑而且结构清晰、注释到位。我实测过比直接说“帮我写个预测房价的代码”质量高出一个量级。4.2 参数选择与计算过程在提示词工程中有几个参数需要根据任务类型调整参数适用场景建议值理由温度代码生成、数据分析0.2-0.4需要确定性输出避免随机性温度创意写作、头脑风暴0.7-0.9需要多样性鼓励发散最大长度代码生成2000-4000 tokens代码通常较长需要足够空间最大长度摘要生成200-500 tokens摘要要精炼限制长度防止啰嗦顶部采样大多数场景0.9-0.95平衡多样性和质量这些参数不是固定的需要根据实际输出调整。比如代码生成时如果发现模型总是写多余的注释可以降低温度到0.2如果发现生成的方案太保守可以提高温度到0.6。4.3 实操现场记录一次完整的提示词调试我拿“让墨刀AI生成App原型图”这个场景做一次完整记录。初始提示词帮我生成一个外卖App的原型图。输出问题生成了一个通用的五页面原型没有特色页面元素堆砌交互逻辑不清晰。定位问题角色锚定缺失上下文注入不足任务拆解没有输出约束没有。修改后提示词你是一个有5年经验的移动端产品经理擅长用墨刀做高保真原型设计风格偏向简洁实用注重交互效率。背景我们要做一个面向大学校园的外卖App核心用户是学生核心场景是“宿舍点餐30分钟内送达”。竞品有美团和饿了么但我们的差异点是“只服务本校食堂和周边500米内商家”。请按以下步骤生成原型图描述首页展示推荐商家、搜索栏、分类入口、购物车悬浮按钮。商家详情页菜单列表、加购按钮、评价摘要、配送时间提示。购物车页商品列表、数量调整、备注输入、结算按钮。订单跟踪页配送地图、骑手信息、预计送达时间、联系骑手按钮。个人中心订单历史、地址管理、优惠券、设置。输出格式每个页面用Markdown表格描述包含“区域名称、元素类型、交互说明”三列。 禁止不要出现与校园外卖无关的功能不要写技术实现细节。输出结果五个页面的结构清晰每个页面的元素和交互都有明确说明直接可以照着在墨刀里拖拽实现。这就是五步框架的威力。5. 常见问题与排查技巧实录5.1 输出质量不稳定的排查思路输出质量忽好忽坏通常不是模型的问题而是提示词有歧义。排查顺序如下检查角色锚定是否具体。“资深专家”换成“8年经验的后端工程师擅长高并发场景”。检查上下文是否充分。模型是否知道项目背景、目标用户、约束条件。检查任务拆解是否清晰。每个子任务是否有明确的输入和输出。检查输出约束是否可执行。“写详细一点”换成“每个部分不少于300字必须有具体例子”。检查是否有禁止项遗漏。模型是否在写你不想要的内容。我整理了一个速查表问题现象可能原因解决方法输出太泛没有针对性上下文不足补充项目背景、目标用户、约束条件输出结构混乱任务拆解缺失把大任务拆成有顺序的子任务输出格式不对输出约束不明确指定格式、篇幅、风格、禁止项输出风格不对角色锚定太泛写具体领域、经验年限、输出风格输出质量不稳定提示词有歧义让模型先概括理解再执行任务输出太长或太短篇幅约束缺失指定字数范围或信息密度要求5.2 三个我踩过的坑第一个坑角色写太多。我曾经写“你是一个既懂前端又懂后端还懂运维的全栈工程师”结果模型输出什么都沾一点什么都不深。后来改成“你是一个专注React前端开发的工程师”输出质量立刻提升。第二个坑上下文给太多。有一次我把整个需求文档粘贴进去三千多字模型反而抓不住重点输出偏离核心需求。后来改成“背景一段话约束列表参考素材”效果好了很多。第三个坑不做迭代校准。早期我输出不满意就重写提示词浪费了大量时间。后来学会增量修改每次只改一个变量效率提升至少三倍。5.3 进阶技巧让模型自己优化提示词这是一个很少人用的技巧让模型帮你改提示词。具体做法是把你写的提示词和不满意的输出一起发给模型然后说“这是我的提示词和输出结果请分析提示词中哪些地方导致了输出问题并给出修改建议”。模型会从它的视角指出哪些指令有歧义、哪些约束不够具体、哪些信息缺失。我试过几次它指出的问题往往是我自己没意识到的。比如有一次它说“你的角色描述中没有指定输出语言我默认用了英文”我才发现忘了加“用中文输出”。这个技巧特别适合调试复杂提示词相当于让模型站在“被指令方”的角度给你反馈。6. 框架的扩展与组合应用6.1 多轮对话中的提示词管理五步框架不仅适用于单次调用也适用于多轮对话。在多轮场景中每一轮都可以看作一次完整的五步循环但角色锚定和上下文注入可以继承只需要更新任务拆解和输出约束。比如做“系统提示词工程和skill agent有什么区别”这个主题的研究第一轮让模型解释概念第二轮让模型对比差异第三轮让模型给出应用场景。每一轮的角色和上下文不变只改任务和约束。这里有个技巧在对话开始时就把角色和上下文固定下来后续每轮只发任务和约束。这样既节省token又保持输出风格一致。6.2 与其他工具的配合五步框架可以和很多工具配合使用。比如与DeepSeek-V2配合用五步框架写规划提示词让模型生成任务分解和优先级排序再用生成的结果去驱动其他工具。与墨刀AI配合用五步框架生成页面结构和交互描述直接导入墨刀生成原型图。与代码编辑器配合用五步框架生成代码片段直接粘贴到IDE中运行和调试。核心思路是五步框架负责“想清楚”其他工具负责“做出来”。你想得越清楚工具执行得越准确。6.3 从提示词工程到上下文工程现在行业里在提“大模型提示词工程与上下文工程”其实五步框架已经包含了上下文工程的雏形。上下文注入这一步本质上就是在管理模型的“工作记忆”。进一步的扩展是把上下文分成静态和动态两部分。静态上下文是项目背景、角色设定、长期约束每次调用都带上动态上下文是当前任务的具体信息、最新数据、临时约束每次调用时更新。这样做的好处是你可以建立一个“上下文模板库”针对不同类型的任务预置不同的上下文组合用的时候直接调用不用每次从头写。7. 我个人的实操体会这套五步框架我用了大半年最大的感受是提示词工程不是玄学是工程。工程意味着有方法、有步骤、可复现、可优化。你不需要天赋只需要按步骤执行然后根据反馈调整。另一个体会是不要追求一次完美。我见过很多人写提示词改来改去不满意最后放弃了。其实第一版能到60分就够了然后通过迭代校准逐步提升到80分、90分。迭代的成本远低于重写的成本。最后分享一个小技巧建立自己的提示词库。每次调出一个好用的提示词就把它保存下来标注适用场景和关键参数。下次遇到类似任务直接调用并微调效率会越来越高。我现在有几十个常用提示词模板覆盖代码生成、数据分析、内容创作、产品设计等场景基本能做到“拿来即用”。这个框架后续还可以继续扩展比如加入“多模型对比”环节同一个提示词分别发给不同模型对比输出质量或者加入“自动化校准”环节用脚本批量测试不同参数组合找到最优配置。这些我还在摸索中有新的心得再分享。
