一、事情的起点 📌

这次的任务相对明确：基于大模型批量生成标准化内容，覆盖多个不同场景。挑战在于——如何让模型稳定产出符合全部维度要求的输出，不遗漏、不跨界、不偷懒。

经过几轮迭代，Prompt从初版优化至稳定可用状态。以下是一份可复用的方法论总结。

---

二、核心经验📌

经验1😮：先搭骨架，用层级标题分割信息

初版Prompt的问题在于所有信息平铺在一起，模型读到后面忘了前面，关键要求被淹没。

解决思路： 用标题将Prompt拆成独立模块，每个模块只讲一件事。

推荐结构：

开头段（角色定位 + 核心任务 + 底线约束）
### 核心任务
### 关键要求
### 边界说明
### 必须覆盖的全部子项
### 生成维度
### 维度定义 + 示例
### 多样性要求
### 硬性禁止项
### 输出格式
### 正确示例
### 反面示例
### 输出前强制校验

三个关键动作：

• 定义后面紧跟示例，读完规则立刻看到参照

• 正反示例成对出现，“要什么”和“不要什么”一目了然

• 末尾放自检清单，作为输出前的最后关卡

经验2😮：加一道自检，让模型自己审核自己

模型生成长文本时，容易在中后段“走神”——前面记得住的约束，写到后面就忘了。

解决思路： 在输出前嵌入强制自检列表，要求模型逐条确认后再输出。

自检清单覆盖项：

检查维度	核心问题
数量	每个子项是否都生成了全部维度的内容？
全覆盖	所有子项是否都被覆盖到了？
强相关	每条内容与对应的子项是否匹配？
维度符合	每条内容是否满足所标记维度的要求？
边界明确	是否清晰声明了所属边界，无跨域、无省略？
发散度	内容与示例是否有足够差异？
格式规范	是否存在违禁符号？
核心意图	是否清晰表达了核心意图？
泛化程度	是否符合自然使用习惯，不过度泛化？

技巧： 用[ ]格式给模型“待办清单”的暗示；每一条都可量化判断，不用模糊表述；自检放在输出前，形成“校验→输出”闭环。

经验3😮：关键信息放在模型看得见的位置

大模型的注意力在不同位置权重不同——开头最重，结尾次之，中间最轻。

解决思路： 按信息重要性分配位置。

位置	权重	放什么
开头第一句	最高	角色定位 + 核心约束
段落首句	高	该段核心要求
列表第一条	中高	最容易忽略的约束
示例	中	格式参照
自检清单	中	二次校验
段落中部	低	补充说明

三个实用技巧：

• 最怕模型忘记的，放开头第一句

• 最怕模型违反的，用符号标记（🔴 ✗ ✅）

• 禁止项用“反例+后果”强化

三、其他经验

1. 示例按场景注入

多场景任务中，示例分开维护，每个场景仅注入当前场景的示例。避免模型看到A场景的示例，却在生成B场景时模仿A的句式或结构。

2. 反例覆盖多种错误类型

反例不是摆设，要让模型看到各类典型错误：

• 偏离核心意图

• 边界不明确

• 过度泛化

• 表达生硬

每类错误至少给一个反例，模型才知道“边界”到底在哪里。

3. 核心要求直接写明，不依赖示例推导

需要模型做到的事，直接写成规则，而不是指望它从示例里“悟出来”。示例是辅助理解的，不是替代规则的。

四、效果对比

问题类型	优化前	优化后
边界混淆	多个场景示例混在一起，模型跟着跨边界	示例按场景注入，边界清晰
遗漏子项	偶尔漏掉某个子项	自检+数量校验双重兜底
生硬复用示例	生成内容和示例高度相似	禁止复用+发散度约束
偏离核心意图	大量生成外围内容	规则中明确核心意图+反例示范
表达不够自然	偏书面化	场景约束+泛化检查

五、可复用方法论

这套思路适用于绝大部分大模型生成任务：

1. 先搭骨架：标题分层，模块单一职责

2. 正反对比：正确示例和错误示例成对出现

3. 关键约束前置：最怕模型忘的，放在开头

4. 自检闭环：输出前让模型自己审核自己

5. 变量化注入：多场景时，示例和配置通过变量注入，不写死

6. 迭代验证：发现问题后，先判断是“没写清楚”还是“写了没听”——前者改表述，后者加符号强化

结语

写Prompt本质上是在做一件事：把你脑子里的潜规则，逐条翻译成模型能执行的显式指令。

模型不会读心术，它只对你白纸黑字写下的内容负责。你默认“不用说你也懂”的东西，它真的不懂。

结构清晰一点，自检加一道，关键信息往前放——这三件事做好，Prompt的稳定性会有明显提升。剩下的，就是根据输出不断迭代，用异常样本反推规则漏洞，然后补上。