提示词工程实战:从“AI写的很烂”到“AI写得真好”的完整方法 ✍ 唐清乐🕐 2026-05-01📦 18.3 KB 🟢 已读 𝕏 文章列表 文章旨在解决用户使用AI输出质量差的问题,提出了一套系统的提示词工程方法论。核心内容包括“六要素检查法”(角色、背景、任务、格式、约束、质量标准),使用XML标签进行结构化提示,以及链式提问、自我修正等进阶技巧。文章还强调了建立上下文文件和模板库以实现长期复利,帮助读者从新手进阶为提示词工程大师。 提示词工程AI技巧LLM结构化提示ChatGPT效率工具自动化AI应用方法论 # 纯正干货!五大方法让你成为提示词工程大师 **作者**: 唐清乐 **日期**: 2026-04-30T10:18:06.000Z **来源**: [https://x.com/tangqingyue/status/2049795423351591324](https://x.com/tangqingyue/status/2049795423351591324) ---  # 提示词工程实战:从"AI写的很烂"到"AI写得真好"的完整方法 都已经2026年了,大部分人用AI的方式还是:打开对话框,打一句"帮我写个方案",拿到一堆挑不出毛病的废话,然后叹气说"AI不行"。 但同一时间,另一些人用同样的模型,仅仅是通过提示词工程,就可以完全控制AI输出的产物是自己想要的结果,甚至是生产级的,可以直接交付给客户坐等美美收钱。 前排提示:本文较长,建议先收藏之后慢慢消化。 AI的红利一直都在,而提示词工程,就是利用AI变现过程中最基础最重要的一环。 这篇文章中把我自己用提示词的经验整理成了一套完整方法,从"为什么你拿到的结果总是很一般"开始,到具体怎么写、怎么组织、怎么长期积累,一步步讲清楚。 我可以说,如果你掌握了文中的这些方法,至少已经超过X上面百分之98的用户了。 本文分为5个大节,请根据你自己的实际情况开始,咱们都节省点时间: - 刚开始用AI,写提示词就是一句话 → 01 从头读,20分钟 - 用了一阵但总觉得输出很"水" → 02 六要素检查法,重点看02和03 - 偶尔能写出好提示词但不稳定 → 03 结构化技巧,重点看03和04 - 想把提示词变成可复用的体系 → 05 上下文文件和模板库,直接看05 ## 01. 同一个模型,为什么你拿到的结果差那么多? 你有没有这样的经历:让AI"写一篇关于AI的文章",拿到的东西和你在百度搜到的第10页内容差不多——正确,但包含的信息毫无质量可言,车轱辘话来回说。 这不是模型的问题。大语言模型的工作方式是预测"最可能出现的下一个词"。当你给的指令很模糊,模型就按最安全的路线走——生成最常见、最普通、最不会出错的内容。换句话说,你给他限定的范围越宽,它输出的东西就越平庸。 两个例子,你看看差别: 模糊提示词: > 写一篇关于企业AI落地的博客 具体提示词: > 写一篇1500字的博客,面向年营收5000万-2亿的中型SaaS公司CTO,讲他们AI落地失败的三个典型模式,每个模式配一个真实案例,语气直接、用数据说话,结构是:一个反常识的开头 → 三个失败模式 → 一个90天行动方案。不要写"AI正在改变一切"这类空话。 同一个模型,同一个话题,这两条提示词拿到的输出质量完全不在一个层次。 第二条给模型塞了足够的约束——谁是读者、多长、什么语气、什么结构、什么不要写——每多一个约束,模型就少一个"偷懒"的空间,输出就更贴合你的需要。 大模型就像一个失能的超级天才,一戳一蹦跶,你不戳他,他就偷懒。但如果你指引的好,我相信他会惊艳你的。 记住这个原则:具体打败宽泛。你每多写一个细节,模型就少一个默认到"正确废话"的自由度。 不过嘛,"写具体"这件事说起来容易,有时候真坐下来写了,提笔忘字,还真是一时想不起来要写点什么。 所以下一步,给你一个checklist。 ## 02. 六要素检查法:每次写提示词前过一遍这张清单 我自己写提示词的时候,心里会过六个要素。不用每次都写全,但心里要知道:缺了哪个,输出可能在哪里翻车。 要素一:角色——你是让AI扮演谁? 不是"帮我一下",而是给一个具体的人设。比如"你是一个做了15年B2B SaaS的产品策略师"。角色决定了模型用什么样的词汇、什么样的深度、什么样的视角来回答你。 "帮我分析一下竞品"和"你是一个做过3个SaaS从0到1的产品经理,帮我分析竞品",拿到的分析深度完全不同。 不要觉得这句话是过家家一样的,这哥们是不是在这开玩笑呢,事实上这句话直接决定了AI在后面的输出方向。 要素二:背景——AI需要知道你的什么情况? 你的行业、你的受众、你的限制条件、你的目标。没有背景,模型就靠猜;有了背景,模型的猜测就变成了有依据的推断。 比如你在给一个50人的项目管理软件公司写冷邮件,和给一个500人的电商平台写冷邮件,策略完全不同。你不告诉模型,它就按"一般情况"来——而"一般情况"往往是最没用的。 越是重要的任务就越需要把条件差异给写全,如果你让AI给医疗建议的话,一定是要跟他说明是给小孩用药还是给老人用药的吧....就是这个意思。 要素三:任务——具体要做什么? 不是"帮我搞搞营销",而是"写一封冷邮件,对比我们和竞品A在定价、功能、话术上的差异,给出我们的差异化定位建议"。任务越具体,输出越聚焦。 好多人总埋怨领导总是描述不清任务,改来改去。实际上你自己呢?你给ai的任务清楚不?AI就是你手下的实习生,他干好干坏全是折射的你的样子。 要素四:格式——输出长什么样? "给我一个表格,对比三个竞品,然后跟两段推荐语。" 没有格式要求,模型就自己猜你要什么格式——而它猜的通常不是你想要的。 我自己就踩过这个坑:让AI分析数据,没说格式,它给我写了一篇散文式的分析报告。加了"用表格列出关键指标,然后给三句话的结论"之后,输出立刻清晰多了。 要素五:约束——不要做什么? "不要用营销黑话""不要写适用于所有公司的通用建议""不要超过500字"。负向约束砍掉最常见的翻车模式。 很多人写提示词只说"要什么",不说"不要什么"。但模型最擅长的恰恰是输出那种"放之四海而皆准"的内容——你不明确禁止,它就会往那个方向滑。 还有个用法,当AI第一次输出的结果让你不满意的时候,你就在第二次的提示词里加上“NOT XXX”,这样的格式对AI来说是划重点了,这样AI就不会再犯同样的错误。 要素六:质量标准——什么是"够好"? "这个分析要具体到我们的产品团队能在5分钟内做出优先级决策,不需要再追问。"质量标准让模型知道输出的精度要到什么程度,否则它会停在一个"大概可以"的地方。 同样的,“世界顶级”、“生产级”、“可以直接交付给客户”这几个词也是你会经常需要用到的。 第二个要素是啥来着?忘了吧哈哈哈,没事儿我在这给你总结了👇🏻 六个要素一张表: - 角色:决定视角和深度。不写 → 输出像一个没经验的实习生写的 - 背景:让推断有依据。不写 → 模型靠猜,猜出"一般情况" - 任务:让输出聚焦。不写 → 回答面面俱到但没重点 - 格式:输出形态匹配你的需要。不写 → 格式不对,还得自己重新整理 - 约束:砍掉常见翻车模式。不写 → 模型滑向"正确废话" - 质量标准:控制精度。不写 → 输出停在一个"差不多"的地方 新手写提示词通常只覆盖一两个要素,老手覆盖五六个。这个差距就能解释大部分人总是在问的"为什么别人的AI那么好用"这个问题。 ## 03. 结构化提示词:XML标签和示例的用法 知道六个要素还不够,你得把它们组织好,让模型能清楚地分清"这是背景"、"这是任务"、"这是约束"。 用XML标签给提示词分段(我自己用的是XML,你也可以用json或者别的什么) 大模型的训练数据里包含大量结构化输入。用XML标签不是什么黑科技,只是顺着模型的设计方式来用。 就好像一个人给你下发任务,如果用你的母语给你描述的话你是不是就能理解的更精准了? 看一个实际的例子: ``` <背景> 你在帮一个50人的B2B SaaS公司,产品是面向建筑企业的项目管理软件。 </背景> <任务> 写一封冷邮件,发给中型建筑公司的运营副总裁。 </任务> <约束> - 150字以内 - 不要"希望您一切顺利"这种开场白 - 提一个建筑项目管理里的具体痛点 - 包含一个可验证的产品效果数据 - 结尾不要"预约演示",用低门槛的行动号召 </约束> <格式> 只输出:邮件主题 + 邮件正文。不要其他内容。 </格式> ``` 每个标签告诉模型这个部分扮演什么角色。<背景>被当作背景处理,<任务>被当作指令处理,<约束>被当作边界处理。模型不会搞混,因为标签让结构没有歧义。 不要因为觉得写提示词还要格式化内容,这么麻烦,就不用了! 我自己从2025年中开始养成这个习惯,最大的感受是:写的时候多花30秒组织标签,省的是后续来回修改的5分钟。 背景放上面,问题放下面 当你有长文档、数据或参考资料时,永远把材料放在问题上面: ``` <文档> [500行季度财务数据] </文档> 根据上面的财务数据,找出3个最让人担忧的趋势, 解释为什么每个都需要CFO立即关注。 ``` 模型先处理文档,建立理解,再带着完整上下文遇到你的问题。如果你把问题放在前面,模型就要回头重新理解材料——效果明显更差。 给示例比给描述管用 一个示例教给模型的东西,比十段描述还多。 ``` <示例> 输入:"这季度流失率从5.2%降到4.1%" 输出:"流失率降到4.1%(从5.2%),相对改善21%。如果持续,按当前客户基数每年多留住约130个客户。值得查原因:是3月的入职流程改版还是4月的定价调整?" </示例> <示例> 输入:"这季度招了12个工程师" 输出:"Q3新增12名工程师。按3个月标准上手期,产能影响要到明年Q1才显现。当前工程团队47人。看下这是否影响了上次规划会上讨论的人效比。" </示例> 现在分析这条:"营销支出增长34%,而线索量只增长8%" ``` 3到5个多样的示例——覆盖正常情况和边界情况——比任何描述性指令效果都好。 为什么示例比描述更有效?因为描述是抽象的,模型要猜你说的"简洁"是什么标准;示例是具象的,模型直接复制你的标准。你给它看一个80字的分析长什么样,它就知道"简洁"在你这里意味着什么。 ## 04. 进阶技巧:链式提问、自我修正、动机约束 前面讲的是"怎么写好一条提示词"。这一节讲的是"怎么用好一个对话"。 链式提问:不要一次性让AI做五件事以上。 一个大提示词塞五个任务,每个任务的输出都会很浅。把任务拆成链条,一步步来: 第1轮: "研究建筑项目管理领域的前5名竞品。" 第2轮: "根据这份竞品分析,找出3个没有竞品覆盖的定位空缺。" 第3轮: "基于这些空缺,给我们的产品写一个定位声明,明确占据其中一个空缺。" 第4轮: "基于这个定位,写首页标题、副标题和三个支撑点。" 每一轮都是聚焦的,输出就有深度。质量在每一步叠加。而且你可以在每一步检查、修正——一个巨大的提示词是做不到这一点的。 我自己做一些内容创作的时候就是这样:先让AI做调研和素材整理,确认方向没问题,再写初稿,再让它优化语句。如果一上来就"帮我写一篇关于XX的文章",拿到的通常是信息质量低、AI味浓的废物。 自我修正——让AI给自己的初稿打分 每一条重要任务的第一次输出都应该被视为草稿。加上这么一句: > 重新读一遍你的回答。在准确性、具体性、可操作性三个维度上分别打1-10分。任何维度低于8分的,说明哪里有问题,然后修正。只展示修正后的版本。 修正后的版本在85-90%的情况下会更好。加这句话只要15秒,但输出的提升是肉眼可见的。我现在几乎在所有重要任务上都用这个技巧。 动机约束:告诉AI"为什么有这个限制" 光说"不要超过200字",模型只会机械地数数。但如果你说"不要超过200字——这段文字要发到某平台的帖子里,超过200字会被平台截断",模型理解了原因,就会更聪明地应用这个约束——比如主动把最重要的信息放在前面。 再比如: - "不要用术语"→ 模型只是尽量避免术语 - "不要用术语——读者是不懂技术的企业老板,看到术语就会关掉"→ 模型会主动把必要的技术概念翻译成大白话 给约束加动机,模型就从"机械执行"变成"理解着执行"。 多视角分析:别让AI只替一个人说话 做决策类的任务时,让模型从不同立场分析: > 从三个视角分析这个定价决策:追求增长的CEO——想要最大化市场占有率 > 盯着利润率和现金流的CFO > 只想"花合理的钱买合理的东西"的客户 > 每个视角3句话。然后综合成一个平衡的推荐方案。标注你最侧重哪个视角,以及为什么。 这迫使模型考虑权衡,而不是只优化一个维度。拿到的结果比单视角提示词好得多。 如果你是开发者,当然要从开发者的角度和用户的角度一起切入,用AI开发过的人都知道这句话有多重要。 元提示词:让AI帮你写提示词 有时候你清楚自己想要什么结果,但不知道怎么写提示词。这时候可以让AI帮你写: > 我想实现:[描述你的目标] > 背景:[背景信息] > 好的输出长这样:[描述或示例]帮我写一条最有效的提示词来实现这个结果。补充我遗漏的背景,消除歧义,按最高质量输出的标准来组织结构。 模型知道什么样的提示词能产出好结果,这个技巧就是利用它的这个知识来优化你的请求。生成的提示词几乎总是比你手写的更好,因为它能发现你没注意到的盲区。 ## 05. 从单次到体系:上下文文件和模板库的长期积累 单个提示词是战术,持续可复用的体系是战略。 用上下文文件,给AI一份你的"说明书" 为每种工作类型创建一份markdown文件: - 写作规范.md——你的语气、你的受众、你的标准 - 分析框架.md——你评估数据的方式、哪些指标重要 - 项目背景.md——当前项目、状态、关键决策 每次对话开头:"先完整阅读[文件名],然后遵循里面的所有规则。如果你即将违反某条规则,停下来告诉我。" 模型会在整个对话中应用这份文件的规则。你不用每次重新解释自己的偏好。文件随着你使用不断更新,越用越精准。 我自己就维护了一份软件开发规范,包括我的代码风格、版本控制管理、开发步骤等等。每次开新对话引用一下,模型就自动按我的风格来写,省了大量来回调整的时间。 由此衍生出一个很重要的东西——模板库:好提示词不要只用一次 每一条效果好的提示词都应该保存为可复用模板。把具体内容抽掉,替换成变量,保留结构。 比如一条写冷邮件的好提示词,你可以保存为: ``` <背景>[公司规模]人的[行业]公司,产品是[产品描述],目标客户是[目标客户画像]</背景> <任务>写一封冷邮件给[目标职位]</任务> <约束>[字数限制]、[语气要求]、[特殊要求]</约束> <格式>邮件主题 + 邮件正文</格式> ``` 几个月下来,你会为每种任务类型积累一套模板。内容创作、数据分析、代码审查、邮件撰写。你永远不用从零开始——调出模板,填变量,拿到稳定的高质量输出。 这个复利效应才是真正的专家优势。每一次好结果都成为下一次的起点。 每周复盘:周五花15分钟看本周的AI输出 每周五问自己三个问题: 1. 这周哪次AI输出没达到预期? 2. 如果要改提示词,改哪里能修正? 3. 有没有新的规则应该加到上下文文件里? 坚持做三个月复盘的人,提示词能力和三个月前完全不是同一个水平。不做的人,会一直停在原地。 ## 总结了几个容易踩的坑 坑一:把提示词当搜索关键词用 "AI开发技巧"这种输入方式是典型的搜索思维,不是提示词思维。提示词是"按我的要求生产内容"。你给的是要求,不是关键词,不是大方向。 坑二:一条提示词想解决所有问题 "帮我分析市场然后写方案然后做PPT大纲"——模型会在每个环节都浅尝辄止。拆成链式提问,每一步做扎实。 坑三:只改模型不改提示词 换更贵的模型确实能提升一些,但同样模型下,提示词质量的差距是10倍,模型之间的差距可能只有1.5倍。先把提示词练好,再考虑模型升级。 坑四:不用自我修正 很多人觉得"让AI自己改自己的东西"有点奇怪。但实际用下来,加上自我修正指令后输出质量提升是最稳定、最可复现的。15秒的投入,换来的收益远超预期。 ## 写在最后 提示词工程没有什么"一句话搞定"的魔法。它的核心就是一件事:每次和AI交互时,系统性地增加具体性、结构和上下文。 - 六要素检查法确保你的提示词不缺关键信息。 - XML标签让结构清晰。 - 示例比描述更有效。 - 链式提问比大杂烩更深入。 - 重要任务加上自我修正。 - 上下文文件做持久记忆。 - 模板库让好结果复利增长。 这些方法不难,难的是每次都坚持用。但一旦养成习惯,你和那些还在打一句"帮我写个方案"的人之间的差距,会越来越大。 > 我是唐清乐,我还会继续分享AI实践方法、一些有用的工具和某些行业内不为人知的秘密。关注我吧关注我~,你的关注就是我创作最大的动力。 ## 相关链接 - [唐清乐](https://x.com/tangqingyue) - [@tangqingyue](https://x.com/tangqingyue) - [1.4K](https://x.com/tangqingyue/status/2049795423351591324/analytics) - [6:18 PM · Apr 30, 2026](https://x.com/tangqingyue/status/2049795423351591324) - [1,409 Views](https://x.com/tangqingyue/status/2049795423351591324/analytics) - [View quotes](https://x.com/tangqingyue/status/2049795423351591324/quotes) --- *导出时间: 2026/5/1 14:35:38*
浪 浪费20亿Token之后,我做了一个帮自己定义目标的Skill 作者分享了一个名为Leader.skill的开源工具,旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论,将模糊需求转化为清晰的目标任务书,支持多模型组合(如Claude规划、GPT执行),显著提升长程任务的完成率与Token利用率。 技术 › Skill ✍ 数字生命卡兹克🕐 2026-07-27 AgentGoal Engineering目标定义自动化开源LLM效率工具方法论ClaudeGPT
写 写AI提示词,首先你要把自己当个导演 文章提出了一种新颖的“导演思维”来编写 AI 提示词。作者将用户比作导演,将 AI 比作演员,强调通过定角色、发剧本、搭场景和给反馈四个步骤,把模糊的指令转化为精准的指导,从而让 AI 输出专业、惊艳的内容。 技术 › LLM ✍ Adrian Punk🕐 2026-05-26 提示词工程AIGC思维模型AI应用职场效率写作技巧导演思维方法论最佳实践ChatGPT
d dbskill 更新:新增 /dbs-good-question 助力 Agent 自动化 本文介绍了 dbskill 的新功能 `/dbs-good-question`。作者结合《无穷的开始》中的理论,提出 Agent 自动化的起点在于“更好的问题”。该工具旨在将模糊的问题重写为包含对象、目标、冲突、约束和反馈入口的“问题说明书”,从而生成可批评、可验证的候选解释,为 Agent 自动化任务提供稳定的基础。 技术 › Agent ✍ dontbesilent🕐 2026-05-19 AgentSkill提示词工程问题分析自动化AI工具LLM方法论dbskill
如 如何把“AI 味”调成学术味、咨询味,或任何你想要的风格 文章探讨了“AI 味”产生的本质,即信号价值坍塌与身份保卫战,并将 AI 味拆解为词汇、结构、语义、语用四层。作者提出“文风工程化”概念,通过抽取高质量语料指纹并反向审计的原理,结合 Python 脚本和 Prompt,实现将文本调整为学术、咨询等具体风格的可复制方案。 技术 › 工具与效率 ✍ Roland.W🕐 2026-05-17 AI写作提示词工程文风工程Python学术写作内容创作自动化方法论ClaudeChatGPT
如 如何写出让AI秒懂的好提示词?手把手教你避开3大天坑 文章指出AI输出质量差往往源于提示词编写不当,并总结了三大常见误区:信息缺失、格式空白和贪心过多。作者通过实战案例对比,详细讲解了如何通过明确角色、补充背景、量化目标、限制格式和反向约束来优化提示词,从而实现从“废话连篇”到“精准输出”的跨越,大幅提升使用效率。 技术 › LLM ✍ 熊叔的茅草屋🕐 2026-04-02 提示词提示词工程AI技巧LLMChatGPT效率提升实战案例
龙 龙虾养成日记:14天从零养成AI Agent团队 本文详细记录了作者春节期间花费14天,通过与AI对话(22万字),从零开始构建并养成一支由8个Agent组成的自动化团队“龙虾”的全过程。文章阐述了工具类AGI的理念,分析了记忆、Skill积累、自动化调度等核心技术设计,并通过春节拜年、自动写稿等实战案例,验证了Agent在替代人工、提升效率方面的巨大潜力。 技术 › Agent ✍ 傅盛🕐 2026-03-01 Agent傅盛实战案例LLM效率工具自动化EasyClaw人工智能AI应用职场效率
C CIA 红队方法:用 4 个 Prompt 在执行前摧毁你的坏点子 文章介绍了如何利用 CIA 的红队策略,通过 4 个特定的 Prompt 让 Claude 对你的点子进行残酷的压力测试。这种方法旨在通过识别关键假设、扮演魔鬼代言人等手段,克服认知偏见和 AI 的阿谀奉承,帮助你在浪费数月时间之前验证或否定想法,让点子变得无懈可击。 技术 › 工具与效率 ✍ Nav Toor🕐 2026-07-24 LLMClaude方法论思维模型提示词工程批判性思维产品策略
如 如何构建自动纠错 AI 循环 文章介绍如何构建一个 AI 自我纠错系统,通过分离生成、判断和管理三个角色,避免人工介入验证。关键在于利用独立的标准(如测试套件)进行结构化验证,而非简单的重复提问,从而实现自动化错误捕捉与修复。 技术 › Agent ✍ CyrilXBT🕐 2026-07-17 AI架构自我纠错Agent提示词工程自动化系统设计LLM流程优化
G GPT-Live + Anki:让你更加系统的进行口语练习 文章介绍了如何结合 GPT-Live 和 Anki 进行系统的英语口语练习。通过 Prompt 让 GPT-Live 记录练习中的卡壳和停顿,生成包含中文意思和英文表达的清单,再将其导入 Anki 制成间隔重复卡片。这种方法解决了“开口难”到“有进步”的转化问题,确保昨天的难点在明天得到复习。 技术 › 工具与效率 ✍ Oldeng🕐 2026-07-16 GPTAnki口语练习英语学习方法论LLM效率工具
A AI 循环:Claude、GPT 和 Mira,到底什么才是真正好用的 文章对比了传统单次提示词与“AI循环”工作流的差异,深入解析了循环机制(Discover、Plan、Execute、Verify、Iterate)的核心要素与成本陷阱。作者指出重型循环工程门槛较高,进而介绍了基于 Telegram 的轻量级工具 Mira,它能通过简单的“技能”设定,在无需代码的情况下实现自动化任务执行与多平台内容创作。 技术 › Skill ✍ 淘沙者(TheSandPicker)🕐 2026-07-05 AI Agent工作流自动化MiraClaude提示词工程效率工具
H Horizon:开源 AI 新闻雷达,打造你的专属双语日报 介绍了一款名为 Horizon 的开源 AI 新闻雷达工具。该工具支持抓取 HN、Reddit、GitHub 等多平台一手信息,利用大模型自动打分、去重、总结,并生成中英双语日报。支持 Docker 一键部署及多种订阅方式,旨在解决信息过载和二手信息泛滥的问题。 技术 › 工具与效率 ✍ 开发者Hailey🕐 2026-06-28 AI开源新闻聚合效率工具HorizonDockerLLM资讯自动化Python
H Hermes Agent 实战指南:打造你的 7×24 小时 AI 私人助理 本文详细介绍了 Hermes Agent 的实战经验,包括从安装、部署到日常应用的全过程。作者分享了在 VPS 上搭建长期在线 Agent 的心得,探讨了如何通过模型接入(如 ChatGPT、Claude)实现 AI 资讯抓取、监控和自动化任务,并强调了 VPS 在 AI 时代作为云端工作台的重要价值。 技术 › Agent ✍ Lonely🕐 2026-06-13 HermesAgent部署教程自动化VPSAI资讯ChatGPTClaude实战经验效率工具