编写提示词的六个核心原则

liangshanbo1215

349人浏览 · 2026-07-01 16:10:33

liangshanbo1215 · 2026-07-01 16:10:33 发布

原则一：编写清晰具体的指令

1. AI 无法读心

模糊的提问只会得到模糊、泛泛而谈的回答。AI 本质上无法理解你未明确表达的潜在需求或“言外之意”。
如果问题定义模糊、条件缺失，生成的结果往往会偏离实际预期，甚至给出无用的通用化内容。

2. 指令决定输出

指令越具体、边界越清晰，结果越精准。
清晰的约束条件、明确的执行步骤与具体的目标指向，是获得高质量结果的关键。当为 AI 提供详实的背景信息、限定范围和可衡量的交付标准时，它就能精准捕捉核心意图，从而生成逻辑严密、高度贴合实际业务场景的有效内容。

3. 案例对比

模糊提示词：帮我写一个奶茶店的宣传文案（平庸且千篇一律，没有痛点）。
优化提示词：
- 明确角色：奶茶店营销文案师。
- 说清楚场景：发朋友圈的春季限定草莓牛乳茶。
- 限定风格：温柔清新的少女感。
- 精确限制：字数控制在 50 个字左右，必须包含三个具体的卖点，并加上引导下单的话。

原则二：提供参考文本

1. 建立明确的模仿基准

提供“标准答案”，建立明确的模仿基准。
给模型提供高质量的“标准答案”作为参照，本质是为 AI 设定清晰的创作范式。这种做法能让模型精准捕捉内容的行文风格、逻辑结构与专业表达习惯，从而在后续生成中复现这些特质。
相比无参考的自由生成，有范本的模仿能显著提升输出结果的格式统一性与质量稳定性，有效减少人工校对和修改的时间成本。

2. 核心适用场景

标准化内容的规模化创作。
该策略特别适合需要对外统一发声口径、风格高度一致的工作场景。例如企业官方营销文案、产品介绍的标准化撰写、行业分析报告的框架填充等。
在这类场景中，一份优秀的参考文本能作为内容生产的“标尺”，帮助团队高效完成大量同质化工作，同时确保所有产出严格符合品牌调性与业务规范。

3. 文学审美级应用提示

关键提示：精准的角色定位是生成优质内容的前提。通过向 AI 提供具有代表性的参考片段并明确风格细节（如“日式治愈”、“乡土温情”等），可有效降低沟通成本，让机器生成的文字从“形似”走向“神似”，最终产出符合文学审美与用户预期的作品。

原则三：拆分复杂任务

1. 模型的局限性

多目标处理的边界。大模型在单次上下文窗口中处理包含多重约束或多个并行目标的任务时，极易出现逻辑顾此失彼的现象。
受限于注意力机制的分配能力，当信息密度过高或目标之间存在隐性冲突时，模型往往难以兼顾所有细节，导致关键步骤遗漏或最终输出结果偏离预期。

2. 拆分的价值

降维打击与确定性提升。将复杂的业务逻辑与执行步骤拆解为标准化的原子流程，是大模型突破处理边界、稳定输出高质量结果的核心方法论。
将复杂任务解构为单目标、单步骤、可独立验证的原子化子任务，并采用流水线式的顺序执行策略，是解决复杂问题的关键。这种方式大幅降低了单次处理的认知负荷，让模型能聚焦于单一逻辑的精准推导，从而使整体任务的完成准确率与执行稳定性获得指数级的提升。

3. 拆分的好处与误区示例

优势维度	核心价值说明
降低认知负荷	减轻模型单次处理的信息量，避免因输入过载导致的逻辑混乱，让模型更专注于核心问题的解决。
线性推理防幻觉	将复杂任务拆解为连续的线性步骤，引导模型基于前序结果推导后续内容，大幅减少凭空捏造的概率。
便于错误排查	单步执行的结果可追溯，一旦出现偏差能快速定位逻辑断点，无需在冗长的一次性输出中反复查找问题。
输出全程可控	每一个步骤的中间结果均可进行人工干预与修正，确保最终产出严格符合业务目标与质量标准，而非被动接受黑盒式答案。
降本增效省 Token	精准分配计算资源，避免因大段无效文本生成造成的浪费。按需分步调用，在保证效果的同时有效降低整体 API 调用成本。

误区（一次性抛出模糊且繁杂的需求）：“帮我写一篇 AI 训练师课程介绍，要吸引人、适合 B 站、结构清晰、有亮点、有目录，还要适合卖课……” —— 多目标混杂导致模型顾此失彼，产出往往平庸。
方案（任务拆解后的清晰执行路径）：1. 提炼差异化卖点。 2. 生成 B 站向大纲 。 3. 撰写转化文案。 4. 设计封面标题。分阶段执行让每一步都有明确标准，最终交付物质量显著提升。

原则四：给模型时间去思考

1. 强制展开推理链

拒绝模型直接输出最终答案。通过指令强制其把隐性的逻辑转化为显性的文字步骤。
让模型在“书写”思考过程中，能够像人类一样看到自己的推导轨迹，从而发现逻辑漏洞并主动修正错误，从根源上提升输出结果的准确性与可靠性。

2. 核心执行方法

在指令中明确要求模型进行分步推理，避免跳跃式的结论。
通过增加上下文长度或设定阶段性目标，扩大模型的“临时工作区”，为复杂问题的处理提供足够的思维缓存空间。这一过程模拟了深度思考的节奏，确保模型在解决问题时既有速度，更有深度。

3. 分步执行与工具辅助规范（以复杂数值运算为例）

面对超大规模数值运算，需严格执行分步拆解原则。首先将复杂算式拆解为可验证的基础运算单元，再调用计算器工具完成具体数值求解。拒绝直接心算或跳步推导，通过“逻辑拆解+工具核验”的双重机制，规避人工计算疏漏，确保每一步推导过程透明可追溯，最终得出精准结果。

原则五：使用外部工具

1. 明确分工：拒绝“硬扛”非核心任务

大模型的优势在于逻辑推理与语义理解，而非精准计算或实时信息存储。
不应强迫模型硬算复杂数学题、硬记过时数据或硬查实时资讯。合理的做法是将这些具体任务剥离出来，调用计算器、实时搜索引擎、企业数据库等专业外部工具完成，从而规避能力边界带来的错误，提升结果的准确性。

2. 核心定位：专注思考的“指挥官”

在智能工作流中，模型应充当“指挥官”的角色。它负责理解用户的深层需求，制定整体执行方案，将复杂目标拆解为可执行的子任务，并根据任务属性分配给最适合的外部工具。
通过这种方式，AI 不再是一个全能但低效的独行者，而是一个高效的任务调度者，引领各类工具协同完成工作。

3. 大模型的弱点与工具调用模板

大模型的三个核心弱点：
1. 不会精准计算：大模型本质是概率模型，缺乏底层数学逻辑。面对复杂数值推演、多位运算或公式求解时，极易出现计算偏差，无法保证结果的绝对准确。
2. 没有实时信息：训练数据存在明确的时间截止线，无法感知训练截止后的新事件、新数据与动态变化。对于时效性强的问题，无法提供具有参考价值的最新答案。
3. 记不住海量数据：虽然训练了海量数据，但在具体任务中无法精准复现所有细节。面对长文本、多变量或专业知识库的深度检索，容易产生信息混淆或“幻觉”。
标准工具调用执行准则：
- 01 遇到计算，必用计算器：拒绝凭直觉进行数学推导。所有涉及加减乘除、公式运算的场景，必须调用计算器工具获取精确结果后，再整合为最终答案。
- 02 未知信息搜索，数据代码处理：事实性问题先搜索验证，复杂数据先运行代码清洗分析。严格以工具返回的客观结果为依据，生成符合逻辑、可溯源的结论，避免产生误导。
工具化思维的必要性：对于超出人脑即时处理能力的复杂计算，工具是精准度的核心保障。将计算过程显性化，既展示了解题逻辑，又利用工具消除了计算误差，让结果兼具逻辑性与准确性。

原则六：系统性测试更改

1. 科学实验法：控制单一变量

像做科学实验一样调提示词，每次只改变一个变量。
这能帮助你精准识别出究竟是哪个具体的调整（如关键词、语气、格式要求）带来了结果的变化，避免多个变量混杂导致的归因错误，从而明确有效的优化方向。

2. 迭代优化：数据驱动的循环升级

固定其他所有条件，记录每一次的输出效果，对比优劣后进行循环迭代。
通过不断地测试、验证、复盘，将有效的改进固化下来，同时剔除无效的尝试，让提示词的质量在每一轮循环中持续精进，最终达到理想的输出水准。

3. 示例：控制变量法实验逻辑

核心实验逻辑：固定所有初始条件，每次仅改变一个关键变量。通过单变量的独立测试，精准对比不同策略下的模型响应差异，找到最优提示词组合。

[初始基准设定] 
角色 = 老师 | 内容 = 讲解数学题 | 格式 = 简洁
(建立基础对照组，明确任务的核心要素，确保后续每一次调整都有清晰的参照标准)
       │
       ▼
[第一次：角色升级] 
变量调整：老师 → 资深数学教练
(保持题目内容与格式不变，仅提升角色的专业层级，观察解题思路是否更具策略性与深度)
       │
       ▼
[第二次：格式重构] 
变量调整：简洁 → 分步讲解
(锁定资深教练角色，改变输出结构，验证分步骤、逻辑化的表达方式是否能提升答案的可理解性)
       │
       ▼
[第三次：规则补充] 
变量调整：新增“给模型时间思考”
(在现有角色与格式基础上，增加执行指令，测试模型在特定引导下是否能产生更严谨、无遗漏的推理过程)

🚀 进阶视角：从“提示词工程”走向“System 级系统工程”

核心认知飞跃：单点、冗长的长提示词（Long Prompt）往往会导致模型注意力发散。在现代 AI 生产力架构中，提示词工程的终点是系统工程。不应把所有规则强行塞入单次对话，而应将上述六大原则固化为自动化、可重复验证的智能体工作流（Agent Workflow）。

1. 骨骼与血肉：开发框架（如 Dify / LangGraph）的价值

非彼之争，共生共存：Agent（智能体）是最终的应用形态与设计范式，而 Dify（可视化低代码平台）和 LangChain/LangGraph（代码级框架）是构建 Agent 的脚手架与基础设施。
高确定性的逻辑闭环（Logic Loop）：通过这些工具，原则三（任务拆分）和原则五（工具调用）不再依赖人工分步打字，而是转变为一条流水线上的自动化节点（Node），上一个节点的输出自动成为下一个节点的输入。

2. 现代生产力 Agent 工作流架构图

                      [ 用户输入需求 ]
                             │
                             ▼
         ┌───────────────────────────────────────┐
         │       节点 01：意图识别与重构         │ ───► 原则一：清晰具体
         └───────────────────────────────────────┘
                             │
                             ▼
         ┌───────────────────────────────────────┐
         │       节点 02：任务原子化拆解         │ ───► 原则三：拆分复杂任务
         └───────────────────────────────────────┘
                             │
                  ┌──────────┴──────────┐
                  ▼                     ▼
      ┌───────────────────────┐   ┌───────────────────────┐
      │  子任务 A：检索与计算 │   │  子任务 B：风格化文案 │
      └───────────────────────┘   └───────────────────────┘
                  │                           │
                  ├───────────────────────────┤
                  ▼                           ▼
      ┌───────────────────────┐   ┌───────────────────────┐
      │ 调用外部工具 / MCP机制│   │ 加载标准模版/参考文本 │
      │ (如计算器、数据库、API)│   │ (多样本 Few-Shot 注入)│ ───► 原则二：参考文本
      └───────────────────────┘   └───────────────────────┘ ───► 原则五：外部工具
                  │                           │
                  └──────────┬────────────────┘
                             │
                             ▼
         ┌───────────────────────────────────────┐
         │   节点 03：思维链推理与内容生成       │ ───► 原则四：给时间思考(CoT)
         └───────────────────────────────────────┘
                             │
                             ▼
         ┌───────────────────────────────────────┐
         │    节点 04：反思修正与最终输出        │ ───► 断点续传 / 人工确认机制
         └───────────────────────────────────────┘
                             │
                             ▼
                      [ 交付预期结果 ]