第3篇：提示词避坑指南——新手常犯的8个错误

Jeffky

505人浏览 · 2026-05-19 09:44:17

Jeffky · 2026-05-19 09:44:17 发布

第3篇：提示词避坑指南——新手常犯的8个错误

适用人群：入门→进阶 | 字数：约25,000字 | 预计阅读时间：60分钟

前言

前两篇我们建立了"认知框架"和"方法论工具"——你知道了提示词的本质是什么，也学会了黄金四步法来写提示词。

但理论和实践之间总是有一道坎。

这道坎不在于"你不知道该怎么做"，而在于"你不知不觉中做了错的事"。很多提示词的错误模式，是所有新手都会不自觉地重复的。它们很隐蔽——因为你写的提示词看起来"没错"，但输出就是差那么点意思。

这一篇就是你的"防坑地图"。我把最常见的 8 个错误做了系统梳理——每个错误的成因、表现、解决方案，配上真实的"错误版 vs 正确版"对比。

这些错误，我敢打赌你在前 100 次使用 AI 时至少踩过 3 个。读完这篇，你至少能节省三个月的"自学试错时间"。

错误一：「问题失焦」—— 一个提示词问太多事

1.1 错误现象

“帮我写一份市场分析报告，内容包括：市场规模、竞争格局、用户画像、SWOT分析、增长策略、风险提示，同时请用表格呈现关键数据，再用图表展示趋势，最后给出执行建议。哦对了，字数控制在2000字以内，风格要专业但不要太枯燥，受众是公司管理层。”

这个提示词包含了：

7 个内容板块
2 种呈现方式
1 个字数限制
1 个风格要求
1 个受众要求

一共 12 个要求。 模型在生成第一个段落时，就要同时考虑后面 11 个要求。结果是：每个方面都浅尝辄止。

1.2 为什么这是个问题？

原因在于大模型的生成机制是从左到右逐个 Token 生成的。模型在写"市场规模"部分时，整段输出还没有定型。它不知道后面"增长策略"会写多少字，不知道"表格"会在哪里出现。它只能"一边写一边猜"。

最终输出往往是：

每个部分都写了，但每个部分都写得不够深入
结构混乱：前面写得太细，后面因为字数限制只能草草收尾
表格和正文的衔接不自然

1.3 正确做法

拆分成多个对话，或者使用"分阶段提示"策略。

方案一：多对话拆解

Prompt 1: "请分析市场规模和竞争格局，用表格呈现。"
Prompt 2: "基于上一轮的输出，请做用户画像分析。"
Prompt 3: "整合前两轮的内容，写出SWOT分析。"

方案二：单提示词+分阶段指令

请按以下步骤处理：
第1步：先写市场规模和竞争格局分析（用表格）
第2步：基于第1步，分析用户画像
第3步：基于前两步，完成SWOT分析
第4步：最后给出增长策略和风险提示

注意：我确认你完成第1步后，会告诉你继续下一步。

方案二的原理是：把"多任务一次完成"变为"单任务逐步完成"。模型在执行第1步时只需要关注第1步，质量自然会提升。

1.4 "任务量"的黄金法则

一个提示词，只包含一个核心任务 + 不超过 3 个次要要求。

✅ 好的例子：

“请分析中国新能源汽车市场的竞争格局。（唯一核心任务）
用表格对比比亚迪、特斯拉、蔚小理四家的市场份额。（1个次要要求）
字数控制在500字以内。（1个次要要求）
语言风格面向投资者。（1个次要要求）”

❌ 坏的例子：

“请分析中国新能源汽车市场，分析竞争格局、用户需求、技术趋势、政策环境、供应链、盈利模式、国际化进程、未来预测……”

为什么是"3个次要要求"？ 因为心理学研究表明，人类（和模拟人类认知的AI）在同时处理超过 4±1 个目标时，表现会显著下降。3 个要求，是"安全区间"的上限。

错误二：「角色虚设」——角色设定形同虚设

2.1 错误现象

“你是一个文案专家。请帮我写一段产品介绍文案。”

这个角色设定几乎是"无效"的。因为"文案专家"对模型来说太宽泛——广告文案？电商详情页文案？公众号推文文案？新闻稿？不同场景的文案要求完全不同。

2.2 为什么这是个问题？

角色设定的本质是激活特定知识域。当角色太宽泛时，激活的知识域也宽泛，模型不知道应该调用"广告文案"的技能还是"技术文档"的技能。

我们看一个实证对比：

Prompt A（宽泛角色）：

“你是一个文案专家。请写一段关于智能手表的文案。”

输出：一段"好"但不出彩的通用文案，和市面上 80% 的手表文案差不多。

Prompt B（精准角色）：

“你是一个在消费电子领域有10年经验的文案专家，擅长用场景化的方式突出产品卖点。你曾为华为、小米等品牌撰写过爆款产品的文案。请为我们的智能手表写一段电商详情页首屏文案。”

输出：场景化的、有卖点层级的、可直接用于电商页面的文案。

2.3 正确做法

角色设定要有三个要素：职业 + 领域 + 经验/成就。

"你是一个[职业]，专注于[领域]，有[经验/成就]。

✅ 好的例子：

“你是一个有8年经验的B2B SaaS产品经理，主导过三个从0到1的产品。”
“你是一个专攻劳动法的律师，处理过200+劳动争议案件。”
“你是一个聚焦A股消费板块的基金经理，管理过10亿规模的基金。”

2.4 加一个"角色检查"步骤

写完角色设定后，问自己一个问题：

“如果我是模型，看到这个角色设定，我能不能准确知道该调用哪个知识领域？”

如果答案是"知道但不太确定"，那就需要加更多的限定词。

错误三：「信息真空」——不给模型任何背景信息

3.1 错误现象

“帮我写一份项目计划。”
“分析一下这个数据。”
“写一封投诉邮件。”

这些提示词有一个共同问题：模型不知道"你"知道什么。

模型知道"通用"的项目计划怎么写、数据怎么分析、投诉邮件怎么组织。但它不知道：

你的项目是关于什么的？
你的数据长什么样？
你的投诉对象是谁？投诉什么？

3.2 这个错误为什么如此普遍？

因为它违反直觉。

在人类的日常沟通中，我们默认对方和我共享了大量的背景信息。你和同事说"那个项目的计划还没写"，同事知道你说的是哪个项目。这种"信息省略"是人类高效沟通的核心策略。

但模型不是人。你和模型之间没有"共享背景"。它对你的项目、公司、行业、偏好一无所知。

这就是"知识的诅咒"（Curse of Knowledge）： 你知道得越多，就越难想象不知道这些信息的人是什么样的状态。

3.3 正确做法

遵循"白纸假设"：假设模型是一张白纸，你和它说的一切都是第一次。

你需要主动提供以下信息：

必填信息：

任务对象：具体是谁、什么、哪里
任务目的：这个输出要用来做什么
目标受众：谁要看这个输出

选填信息（视情况）：

背景数据：数字、日期、事实
参考材料：对比基准、已有内容
约束条件：预算、时间、资源、合规要求
风格偏好：正式/轻松、详实/简洁

3.4 "信息真空"的止损技巧

当你不确定该给多少信息时，至少做这三件事：

告诉模型你是谁：“我是产品部的一个产品经理……”
告诉模型你要用在哪里：“这份计划是给CEO汇报用的……”
给至少一个具体例子：“类似这样的项目计划：……”

这三点至少能保证模型的输出不是完全"跑偏"的。

错误四：「输出黑洞」——不指定输出格式

4.1 错误现象

“帮我分析一下用户反馈数据。”

然后模型输出了一篇"文章"。但你实际上想要的是——表格。

这是"输出黑洞"：你想要的格式和模型默认的格式不一致。

4.2 为什么默认格式往往不理想？

大模型的训练数据中，绝大部分文本是以"段落"形式存在的——文章、书籍、对话。所以模型的"默认输出模式"是段落式叙述。

但你的很多需求，用段落式输出是不高效的：

你的需求	模型默认输出	你真正想要的
分析数据	一大段文字描述	表格 + 关键发现
列出问题	一段完整叙述	Bullet points 列表
对比方案	分别描述各个方案	对比表格
给出建议	列举建议并逐一展开	列表 + 一句话说明

4.3 正确做法

在写提示词时，明确指定输出格式。格式越具体，输出越可用。

✅ 好的例子：

"请用以下格式输出：

用户反馈概览（2-3句话总结）

主要问题列表（编号列表，每个问题配出现频率数据）

问题分类统计（表格：分类 | 数量 | 占比）

行动建议（按优先级排列，每条含建议内容和预期影响）"

4.4 高级技巧："格式一致性"承诺

一个有趣的小技巧，可以在提示词末尾加上：

“在整个回答中，请严格遵守上述格式要求。如果你需要使用不同的格式，请先征求我的同意。”

这个"承诺条款"让模型在生成过程中持续"检查"自己是否偏离了格式要求。

错误五：「否定黑洞」——用大量"不要"约束模型

5.1 错误现象

“写一个产品介绍，不要用营销套话，不要太长，不要太正式，不要用第一人称，不要列举太多功能，不要写得太技术。”

我们已经在前两篇中提到过这个原理，但它值得单独作为一个错误来深入分析——因为它太普遍了。

5.2 为什么"不要"模式效果差？

原因一：注意力导向。
大脑（包括人工神经网络）在处理否定句时，首先激活被否定的概念，然后再"否定"它。你说"不要想大象"，你的大脑首先想到了大象。

同样，你对模型说"不要用营销套话"，模型会先去激活"营销套话"这个模式，然后再试图"避开"它。这个"激活→压制"的过程，干扰了模型本应专注的创作。

原因二：标准模糊。
“不要太长”——多长算太长？标准因人而异。
“不要太正式”——多正式算"太正式"？
“不要太技术”——多技术算"太技术"？

原因三：占用了Tokens却没有提供正面引导。
把提示词宝贵的空间用在"负面清单"上，而不是"正面描述"上，是一种浪费。

5.3 正确做法

把每一个"不要"改写为"要"。

错误写法（不要）	正确写法（要）
不要太长	控制在400字以内
不要用营销套话	使用具体数据和事实，避免空洞的形容词
不要太正式	使用朋友之间聊天的语气
不要用第一人称	使用第三人称
不要写得太技术	面向零基础读者，所有术语都需要解释

5.4 唯一的例外：安全/合规场景

唯一可以使用"不要"模式的情况是安全约束。比如：

“不要提供任何医疗建议。”
“不要透露用户的个人信息。”
“不要回答涉及政治敏感话题的问题。”

在这些场景中，"不要"是清晰、明确、不可妥协的边界。但对于质量优化类的约束，请始终使用"要做"模式。

错误六：「贪婪窗口」——用完所有上下文容量

6.1 错误现象

模型 A 的上下文窗口是 128K。用户把一篇 120K Token 的文档丢进去，然后问了一个很简单的问题。

模型的表现：回答了，但质量明显低于只用 10K Token 信息时的表现。

6.2 为什么？

我们在第1篇讲过"注意力稀释"——当上下文窗口被塞满时，每个 Token 能分配到的注意力会急剧减少。如果关键信息被淹没在海量 Token 中，模型很难精确提取。

学术界有一个有趣的研究：模型在长上下文任务上的表现，往往不如先做一个"检索"再基于检索结果做"推理"的两阶段方法。 因为两阶段方法可以让模型的注意力集中在相关段路上。

6.3 正确做法

不是所有的上下文都一样重要。你应该分层管理上下文：

第一层：核心上下文（必须包含）
提示词中最核心的任务描述和关键约束。这部分必须清晰、简洁、放在最前面。

第二层：参考上下文（选择性包含）
相关的背景材料、参考文档。只包含那些"模型必须知道才能完成任务"的信息。

第三层：补充上下文（按需包含）
辅助信息、备选方案、额外数据。这些信息不是完成任务必需的，但可以提升输出质量。

6.4 长上下文的处理策略

如果你的材料确实很长（比如一份 100 页 PDF）：

策略一：摘要先行

“下面是一份100页的行业报告摘要（约2000字）。请基于这份摘要回答以下问题……”

策略二：问答分步

“下面是一份100页的行业报告。请先回答第一个问题：第3章中关于竞争格局的分析结论是什么？”

策略三：检索定位

“在第5章第3节中，作者讨论了政策风险。请定位到那一节，告诉我具体的风险分析和作者的结论。”

策略四：使用RAG
如果任务的频率很高（比如核心业务场景），考虑搭建 RAG（检索增强生成）系统，而不是每次把整份文档塞给模型。

错误七：「一次定终身」——不迭代，不求反馈

7.1 错误现象

用户写了一个提示词，点击发送，看到模型输出的结果，不满意，心里想"这个模型不行"，关掉对话框。

这是最常见的"隐性错误"——不迭代。

7.2 创作的工程师心态

值得反复强调的一个观念：好的提示词永远不是"写"出来的，而是"迭代"出来的。

这个观念借鉴自软件工程中的"迭代开发"模型：

第一版：快速原型 → 不完美，但可用
反馈："这部分不对，那部分可以更好"
第二版：定向优化 → 针对反馈进行改进
反馈："好多了，但再加一个XX"
第三版：精细打磨 → 接近完美

这个过程和软件迭代完全一样。你不可能第一次就把所有细节都考虑到。

7.3 正确做法

把和模型的每一次对话都看作一个"迭代循环"。

迭代循环的步骤：

发送第一版提示词
评估输出：哪些部分好，哪些部分不好
给出具体反馈：不要只说"不够好"，而是说"第二部分的数据需要更新到Q1数据"
让模型重试：基于你的反馈
重复步骤2-4，直到结果满意

7.4 如何给出有效的反馈？

无效的反馈：

“还是不够好。”

有效的反馈：

“第一部分的市场规模分析不错，但第二部分的竞争格局需要补充三个竞品的数据。另外整体风格可以更倾向于投资人的视角。”

有效反馈的三个要素：

具体：指出哪个部分、哪个方面
可操作：告诉模型"做什么"而不是"别做什么"
分优先级：如果有多个修改点，说清楚哪个最重要

7.5 迭代的"黄金次数"

对于中等复杂度的任务，3-4轮迭代通常能得到满意的结果。

第1轮：初稿，方向大致正确
第2轮：修正明显的偏差和不足
第3轮：精细调整语言和细节
第4轮：最终润色

超过 4 轮，边际收益急剧下降。这时候可能不是"改提示词"的问题，而是任务本身太复杂，需要拆分为子任务。

错误八：「反馈空洞」——给模型模糊/无效的反馈

8.1 错误现象

这个错误和错误七不同——错误七是"不迭代"，错误八是"迭代了，但反馈质量很差"。

“写得不错，但感觉差点意思。”
“再优化一下。”
“还是不太对。”

这些反馈的问题在于：模型不知道具体要改什么。

8.2 "反馈空洞"带来的问题

模型收到"再优化一下"的反馈，会怎么办？

它会猜测你要优化什么：

是太长了需要精简？
是语气不够专业？
是数据不够充分？
是结构需要调整？

猜对了——输出变好。猜错了——变得更差。全凭运气。

8.3 正确做法

好反馈 = 定位（哪里有问题） + 方向（怎么改） + 程度（改到什么程度）。

❌ 坏反馈：“再润色一下。”
✅ 好反馈：“第二段的语言不够流畅，请将句式改短，每句话控制在20字以内。保留原有信息，但让阅读节奏更快。”

❌ 坏反馈：“内容太少了。”
✅ 好反馈：“竞争分析部分只提到了两个竞品，请再补充两个。重点分析他们的定价策略和市场份额。每个竞品用100字左右。”

8.4 反馈的"黄金结构"

在给模型反馈时，可以使用以下结构：

## 需修改的部分
[明确指出要修改的段落或方面]

## 问题描述
[说明当前版本的具体问题]

## 修改方向
[告诉模型应该怎么做]

## 保留内容
[告诉模型哪些部分不需要改，防止"过度修正"]

示例：

## 需修改的部分
第3段"关于市场竞争的分析"部分。

## 问题描述
这一段只提到了市场集中度，但没有分析各家竞品的差异化策略。

## 修改方向
请补充对比分析：对于头部三家竞品，各用2-3句话分析他们的核心差异化策略。

## 保留内容
这一段的数据表格和总览部分很好，保持不动。

8.5 "过度修正"问题

还有一个值得注意的反面现象——过度修正。

当你给模型反馈时，模型有时会"过度修正"：你让它改 A，它把 A 改好了，但把本来不错的 B、C、D 也改坏了。

防范方法：

明确指出"保留哪些内容不变"
每次只要求改 1-2 个方面
改完后检查是否影响了其他地方

附：8个错误的快速自查表

编号	错误名称	一句话诊断	一句话解决
1	问题失焦	一个提示词包含太多子任务	拆成多个提示词或分阶段完成
2	角色虚设	角色设定太宽泛，等于没设	职业+领域+经验（三要素）
3	信息真空	不给模型任何背景信息	假设模型是一张白纸
4	输出黑洞	不指定输出格式和结构	明确写出你想要的格式
5	否定黑洞	大量使用"不要"来约束模型	把每个"不要"改成"要"
6	贪婪窗口	用完所有上下文容量	分层管理上下文，只放关键的
7	一次定终身	不迭代，不接受"第一版可能不够好"	把对话变成迭代循环
8	反馈空洞	给模型模糊的反馈	定位+方向+程度三要素