Make 23. 提示词生成新方法：用 Make 自动化生成，只有今天能学到的独家技巧

引言

提示词的质量直接决定了 AI 输出的质量，这个道理大家都懂。但问题在于，写一个真正好用的结构化提示词并不容易——你需要定义角色、目标、技能、约束、工作流程、输出格式，每一个部分都要精心设计。如果手动写，一个高质量的提示词可能要花半小时甚至更久。

我是翔宇。翔宇花了很长时间测试了多种提示词自动化方案，踩过不少坑，最终找到了这套既高效又可控的迭代方法。

那如果我需要100个、1000个不同领域的提示词呢？手动写显然不现实。

我花了很长时间测试了多种方案，踩过不少坑，最终找到了一个既高效又高质量的方法——利用推理大模型的深度理解能力，配合 EXA 爬虫采集的互联网素材，在 Make 中实现提示词的全自动化生成。你只需要输入一句10个字的需求，系统就能输出一个完整的、结构化的、可直接使用的提示词。

你将学到

• 提示词框架的核心概念与 LangGPT 结构化标准
• 三种提示词生成方案的对比（为什么前两种失败了）
• 利用推理大模型（o1/DeepSeek）进行提示词创作的核心技巧
• 创作型与模仿型两种提示词生成模式
• 使用 OpenRouter 生成检索关键词
• EXA 爬虫采集互联网提示词素材
• 提示词的四大变现途径

视频教程

本教程配套视频已发布在 YouTube，建议搭配视频一起学习效果更佳。

详细教程

什么是好的提示词

先用一个简单例子说明。你去点咖啡，说"给我一杯咖啡"——这是不好的提示词。说"请给我一杯中杯美式咖啡，加两份糖，要热的，不要牛奶"——这才是好的提示词。

好的提示词具备结构化和框架化的特征。上面这个例子本质上就是一个简单框架："主意图 + 属性 + 工作流程"。通过清晰的结构表达意图和需求，减少来回沟通成本，提高输出精准度。

对于自动化工作流来说，这一点更为关键。因为大模型的输出会作为下一个模块的输入，你必须确保输出是稳定、标准、可预期的。标准化才能自动化，自动化才能规模化。

提示词框架：LangGPT

我常用的框架是 LangGPT——一个国内比较知名的开源结构化提示词项目。它的核心结构包含：

• Role：角色描述与定义
• Description：任务背景与能力说明
• Definition：关键概念定义
• Goals：明确目标
• Skills：所需技能
• Constraints：约束条件
• OutputFormat：输出格式
• Workflows：工作流程
• Initialization：初始化指令

这个框架的好处是每个部分职责清晰，组合在一起就构成了一个完整的"工作回头书"。

方案演进：从失败到成功的三种方法

方法一（失败）：简单模型直接创作。把提示词发给不带推理能力的大模型，它不会帮你改写提示词，而是直接按照提示词执行。尤其是带有结构化输出示例的提示词，模型会误以为你想让它扮演角色并输出内容。

方法二（可用但复杂）：拆分框架分别创作。把框架拆成角色、能力、目标等多个部分，分别让大模型创作再组合。能实现，但工作流复杂，各部分之间缺乏协调性，质量不高。

方法三（推荐）：利用推理大模型创作。这是我最终采用的方案。推理大模型（如 o1、o1-mini、DeepSeek R1、Gemini Thinking）会先理解你的意图——"你是要让我修改这个提示词，还是按它执行？"——然后基于理解进行创作。结果统一、结构清晰，一步到位。

两种创作模式

创作型：只提供任务描述，让大模型从零创作。

流程是分步对话：

1. "这是我需要完成的任务，你回复'收到任务'"
2. "这是我检索到的相关资源，回复'收到相关资源'"
3. 发送提示词框架要求，让它根据任务和资源创作完整提示词

模仿型：提供一个参考提示词，让大模型基于它创作新的。

关键技巧——一定要先说"下面是一个提示词示例，请先回复'收到提示词示例'"。等它回复收到，再提出新需求。这个预处理步骤能确保大模型理解你的意图是修改提示词而不是执行它，百试百灵。

Make 工作流搭建

Webhook 触发

使用 Custom Webhook 模块，将生成的链接配置到 Notion 函数字段中。在 Make 中开启"Immediately as data arrives"模式后，只需在 Notion 中点击按钮即可触发，手机上也能操作。

OpenRouter 生成检索关键词

使用 OpenRouter 的原生模块，模型选4o-mini（便宜稳定）。系统提示词的作用是根据用户的任务描述生成中英文检索关键词，输出为 JSON 格式。

为什么要分 System Prompt 和 User Message 两步？三个原因：系统提示词权重更高、未来可以映射成 Notion 变量便于维护、复杂任务需要渐进式提供上下文。

EXA 爬虫检索素材

Make 现在已内置 EXA 原生模块（早期版本需要 HTTP 调用）。配置要点：

• 搜索方式选 Keyword
• 结果数量设为3个
• 一定要开启 Include Content（否则只返回链接不返回正文）

检索到的3个结果通过 Text Aggregator 聚合，用换行符分隔合并成一个完整文本。

推理大模型创作提示词（核心模块）

这是整个工作流最关键的模块。使用 OpenRouter 调用 o1-mini 模型（或 Gemini Thinking 免费模型）。

对话流程严格遵循分步模式：

1. User: "这是我需要完成的任务" + 任务内容 → System 回复"收到任务"
2. User: "这是检索到的相关资源" + EXA 聚合文本 → System 回复"收到相关资源"
3. User: 提示词框架要求 + 生成指令

一定要关闭 Automatic Fallback（防止模型被替换），Streaming 可以打开但影响不大。框架要求的提示词需要仔细调试——每个字的变动都会影响输出质量，我为此调试了很长时间。

结构化输出解析

由于推理模型的输出不一定是标准 JSON，再用一个 o1-mini 模块对输出进行结构化处理，然后通过 Parse JSON 解析为独立字段（Role、Description、Goals 等），方便后续映射组合。

变量组合与 Markdown 模板

用 Set Variable 将解析出的各字段组合成完整的 Markdown 格式提示词，添加时间戳和翔宇工作流标识，最终保存到 Notion 知识库的附录页中。

路由条件：创作型 vs 模仿型

通过参考提示词字段是否为空来判断走哪条路径：

• 参考提示词不存在 → 走创作型路径（上方路由）
• 参考提示词存在 → 走模仿型路径（下方路由）

模仿型路径的对话流程略有不同：先发送参考提示词并要求回复"收到"，再发送新任务让它参照创作。不需要开启结构化输出，因为每个人提供的参考提示词框架不同，直接保存原始输出即可。

生成的提示词有哪些用途

1. 自动化工作流模板：作为 Make 工作流中大模型的基础提示词，提升内容创作质量
2. 个人提示词资源库：按领域分类保存到 Notion，形成可复用的知识资产
3. 社交媒体引流：在小红书、知乎、公众号分享"200个精选提示词模板"，用户点赞关注即可获取
4. 直接变现：打包上架淘宝、闲鱼，按数量和质量分档销售

延伸阅读

• Make 22. 小红书与 Instagram 自动化运营：一键生成真实感美女图片与视频
• Make 24. AI 写作革命：DeepSeek 自动生成10万+ 爆文工作流教程
• Make 20. Make 工作流改造方法论：一个工作流如何变成 1000 个工作流？

常见问题

Q：必须使用 o1模型吗，有没有免费替代？
A：可以用 Google Gemini Thinking 模型，它是免费的且效果也不错。DeepSeek R1也可以。核心要求是模型必须具备推理能力，普通对话模型做不到。

Q：批量生成1000个提示词大概需要多少成本？
A：如果用 o1-mini，1000个提示词大约需要几美元的 API 费用。用免费的 Gemini Thinking 模型则零成本，但可能遇到 Token 限制。

Q：EXA 采集的素材质量不高怎么办？
A：可以调整检索关键词的提示词，让关键词更精准。也可以增加返回结果数量到5-10个，给大模型更多素材参考。

总结

这期视频从提示词是什么、框架是什么、为什么需要框架出发，系统讲解了利用推理大模型批量生成结构化提示词的方法。三种方案的演进过程也展示了搭建工作流时的真实思考路径——不是一步到位，而是不断迭代优化。

整套工作流的价值不仅在于提示词生成本身，更在于它展示的方法论：分步对话、推理模型、EXA 素材采集、结构化输出。这些技巧可以迁移到任何需要高质量内容生成的场景中。

资源下载

• AI 编程实操课：国内版-FlowUS | 国际版-BMC
• YouTube 频道：翔宇工作流