Prompt Engineering 提示词写法与常用模板
注: 本文由AI生成,ednovas编辑并审核发布。
Prompt Engineering 提示词写法与常用模板
同样一个大模型,提示词(Prompt)写法不同,结果能差很多。
很多人觉得 AI “不好用”“回答太水”,其实多半是提示词写得太随意,和模型本身关系不大。
下面这套提示词写法,ChatGPT、Claude、DeepSeek、Gemini 这些主流大模型都能用。
Prompt 的核心原则
一个好的 Prompt 需要具体、完整、有约束。
具体,就是明确说出你要什么。反面例子是“帮我写个东西”。
完整,就是给足上下文。反面例子是“这段代码有 bug”(哪段代码,什么 bug,AI 都不知道)。
有约束,就是限定格式、长度和风格。反面例子是“随便写就行”。
把 AI 当成一个能力很强但完全不了解你背景的新同事,你需要把任务说清楚,把背景交代完整,把期望讲明白。
六个核心技巧
角色设定(Role Prompting)
给 AI 一个明确的身份,让它以特定视角回答。
普通写法:
帮我检查这段 Python 代码 |
加上角色设定:
你是一位有 10 年经验的 Python 后端工程师,精通代码审查和性能优化。 |
角色设定可以激活模型在训练数据中关于该角色的知识分布,回答会更专业,也更聚焦。
更多角色可以这么写:
写论文用“你是一位学术写作导师,擅长 SCI 论文润色”。
学英语用“你是一位雅思 9 分的英语教师,请用简单的方式解释”。
做决策用“你是一位资深咨询顾问,擅长 SWOT 分析”。
写代码用“你是 TypeScript 专家,偏好函数式编程风格”。
结构化指令(Structured Instructions)
用 Markdown 格式组织 Prompt,别写成一坨自然语言。
一坨文字的写法:
我想写一篇关于 Docker 的文章,大概 2000 字左右,要通俗易懂, |
结构化写法:
# 任务 |
Few-Shot 示例(提供范例)
给出“输入 → 输出”的示例,AI 就能理解你想要的格式和风格。
# 任务 |
Few-Shot 适合文本分类、情感分析、数据格式转换、翻译风格一致性和代码风格统一这几类场景。
示例一般给 2-5 个效果最好,太多反而可能让模型过拟合到示例的模式上。
思维链(Chain of Thought)
让 AI 先思考再回答,推理类任务的准确率会明显提升。
直接问:
一个水池有两个进水管,A 管 3 小时注满,B 管 5 小时注满, |
引导思考:
一个水池有两个进水管,A 管 3 小时注满,B 管 5 小时注满, |
数学计算、逻辑推理、复杂决策都适合这样问,代码 debug 也可以(让 AI 先分析可能的原因,再给方案)。
常用的触发词有这几个:
- “请一步一步思考”
- “Let’s think step by step”
- “先分析问题,再给出方案”
- “请列出你的推理过程”
输出格式控制
明确告诉 AI 输出什么格式,不然很容易得到一堆散文。
分析以下 3 款手机的优缺点,以 JSON 格式输出: |
常用的格式指令如下。
要表格,写“以 Markdown 表格格式输出”。
要列表,写“以编号列表列出,每条不超过 20 字”。
要 JSON,写“以 JSON 格式输出,包含以下字段:…”。
只要代码,写“只输出代码,不要解释”。
要对比,写“用表格对比 A 和 B 在以下维度的差异”。
要摘要,写“用 3 句话总结,每句不超过 30 字”。
迭代优化(Iterative Refinement)
好的结果一般不是一次得到的,先拿到初版,再逐步调整。
第一轮,拿到初稿:
写一段产品介绍,产品是一款 AI 翻译插件 |
第二轮,调整风格:
不错,但语气太正式了。请改为更轻松活泼的风格,像在和朋友推荐好物一样 |
第三轮,精细调整:
把第二段的技术细节删掉,读者不关心实现原理。 |
不要试图用一个超长的 Prompt 一步到位,多轮对话迭代的效果往往更好。
高级技巧
否定指令
模型有时会添加不需要的内容,这时可以用否定指令告诉 AI 不要做什么:
翻译以下英文段落为中文。 |
分隔符
当 Prompt 中包含用户输入时,用分隔符明确标记出来,可以避免 Prompt 注入:
请将以下 <text> 标签内的内容翻译为中文。 |
系统提示词(System Prompt)
如果你用 API,或者用支持 System Prompt 的工具(比如 Open WebUI),把角色设定和全局规则放在 System Prompt 里,具体任务放在 User Prompt 里:
# System Prompt |
温度参数(Temperature)
大多数 AI 界面都支持调整 Temperature 参数,不同取值的效果和适用场景如下。
| Temperature | 效果 | 适用场景 |
|---|---|---|
| 0 ~ 0.3 | 输出最确定、最保守 | 代码生成、数据提取、翻译 |
| 0.4 ~ 0.7 | 平衡创造性和准确性 | 通用对话、写作 |
| 0.8 ~ 1.0 | 输出更有创意、更多样 | 创意写作、头脑风暴 |
用 AI 生成 Prompt(Meta-Prompting)
这是最“偷懒”也最高效的技巧,直接让 AI 帮你写 Prompt。
生成专业 Prompt
我想让 AI 帮我做 [任务描述]。 |
示例:
我想用 AI 帮我做代码审查。请帮我写一个高质量的 System Prompt, |
AI 生成的审查 Prompt 一般比自己写的更全面,会包含你可能没想到的维度。
Prompt 优化器
已经有一个 Prompt 但效果不好,也可以让 AI 帮你优化:
以下是我目前使用的 Prompt,效果不太理想。 |
Prompt 生成器模板
把下面的内容作为 System Prompt 使用,就可以把任何 AI 变成 Prompt 生成专家:
# 角色 |
人擅长描述“我想要什么”,AI 擅长把需求转化成结构化指令。两边结合起来,能补上你自己遗漏的维度,生成的 Prompt 也更全面。
实战 Prompt 模板
代码审查
# 角色 |
文章摘要
# 任务 |
英语学习
# 角色 |
数据分析
# 任务 |
不同模型的 Prompt 差异
不同模型对 Prompt 的响应方式有细微差别。
ChatGPT(GPT-4o)通用能力强,偏好自然语言,Prompt 可以写得比较口语化。
Claude 长文本强,遵循指令的能力好,适合结构化 Prompt,善于处理复杂约束。
DeepSeek-R1 推理能力强,自带思维链,适合加“一步一步思考”。
Gemini 多模态强,理解上下文快,可以直接传图片和 PDF。
本地模型(7B-32B)能力有限,需要更明确的指令,Prompt 要更简单直接,减少歧义。
经验上,模型越小,Prompt 越要简单明确。70B 模型能理解复杂指令,7B 模型可能需要把任务拆成多步。
常见误区
Prompt 越长越好
过长的 Prompt 可能导致模型“迷失”。每个指令都要有意义,冗余的信息删掉。
一次对话解决所有问题
复杂任务应该分步骤完成。先让 AI 列大纲,确认后再逐章展开。
完全信任 AI 输出
AI 会“一本正经地胡说八道”(Hallucination),关键信息一定要人工验证,尤其是这几类:
- 引用的论文和数据
- 法律、医疗相关建议
- 代码中的安全相关逻辑
所有模型用同一个 Prompt
不同模型的能力和特点不同,值得针对性地调整。
参考资源
- OpenAI Prompt Engineering 官方指南
- Anthropic Prompt Engineering 文档
- Google AI Prompting Strategies
- Learn Prompting,系统化学习 Prompt 的免费课程
- Awesome ChatGPT Prompts,GitHub 高星 Prompt 合集

