从小白到高手：翔宇高效提示词撰写教程

很多人觉得提示词越长越好，恨不得把整本说明书塞进去。翔宇的经验恰好相反——一条 50 字的精准提示词，效果往往碾压 500 字的冗长指令。问题从来不是"说得够不够多"，而是"有没有说到点上"。

提示词工程（Prompt Engineering）不是什么高深技术，它更像"提问的艺术"——就像问老师一个清晰的问题能得到更有用的答案一样。翔宇在多年实践中形成了一套"认识世界 → 改造世界"的方法论来指导提示词撰写。这篇教程带你从零开始，先搞懂提示词是什么、为什么重要，再学会怎么写出高质量的提示词。

要点速览

• 50 字精准提示词效果往往碾压 500 字冗长指令，关键是「说到点上」而非「说得够多」
• 方法论：先「认识世界」（理解 AI 能力边界）再「改造世界」（写出有效提示词）
• 不同模型有不同偏好：推理型模型越简单越好，通用对话模型需要结构化提示
• 进阶技巧：Few-shot 示例、思维链引导、角色扮演三板斧可以覆盖绝大多数复杂场景

全貌：提示词工程的知识地图

先看全貌，搞懂每个阶段在做什么，再逐个击破。

大多数人直接跳到"改造世界"阶段动手写提示词，忽略了"认识世界"的准备工作。这就像不看地图就上路——运气好能到达目的地，但大概率会绕弯路。

认识世界：动手之前先搞清楚你要什么

在开始写提示词之前，按一下"暂停键"：花几分钟分析你要让 AI 完成的任务。

五个必须搞清楚的问题

你的最终目的是什么？

你希望 AI 生成的内容要达到什么效果？是科普教育读者，还是宣传吸引顾客？目标不同，内容侧重和风格完全不一样。提前确定成功标准（"读者看完能明白 X 概念"或"这文案能激发购买欲"），后续就有了校验依据。

具体要完成的任务是什么？

写一篇文章、一段脚本、几个宣传点，还是整理清单、分析文字？把任务具体化。如果任务很复杂，拆成多个子任务分步完成，避免一条提示词塞太多要求导致结果混乱。

需要满足哪些要求和限制？

篇幅（字数、段落数）、风格语气（幽默？正式？面向小白？）、必须包含的要点、需要避免的话题。特别注意 AI 的能力边界——不要让它预测未来或提供未训练领域的专业意见。

目标受众是谁？

内容是写给小学生、普通大众还是业内专家？受众决定了内容深度和表达方式。同样解释"市场细分"，对外行和对专家的措辞和详略完全不同。

有没有需要提供的背景信息？

让 AI 续写故事要提供前文，写分析文章要提供基本事实。除非是常识，否则 AI 不知道你脑海中的隐含前提——你不提供，它就无从得知。

搞清楚这五个问题，你的提示词就有了明确的方向。简单任务可以直接零样本提示，复杂任务可能需要 Few-Shot 示例或思维链。

改造世界：把需求变成有效的 AI 指令

到了这里，你已经清楚自己要什么了。接下来是把需求转化为结构化的提示词。

翔宇的核心提示词框架

一条高质量的提示词通常包含以下要素：

一个对比让你秒懂

差的提示词："写一篇关于微服务的博客文章。"

结果：泛泛而谈，深度不够，风格不确定。

好的提示词："你是一位拥有 15 年经验的高级软件架构师。写一篇面向技术初学者的博客文章，主题是微服务架构模式。文章分三个部分：什么是微服务、核心优势、适用场景。每部分 300-500 字，使用通俗的比喻帮助理解，避免专业术语。"

结果：专业视角、清晰结构、适当深度、目标受众明确。

同样的 AI，不同的提问方式，效果天差地别。

翔宇再分享一个真实的工作场景。翔宇需要为一篇长文生成社交媒体推广文案，最初给 AI 的指令是"帮我写几条推广文案"，得到的结果千篇一律毫无亮点。后来翔宇把指令改成"你是一位擅长小红书运营的文案专家。为这篇关于 AI 编程的长文写五条小红书推广文案，每条不超过一百字，风格轻松有趣，包含一个引发好奇的问题作为开头钩子，目标读者是二十五到三十五岁的职场新人"。结果完全不同——五条文案风格统一、各有侧重，其中两条直接拿来用了。这个案例说明了一个重要规律：你给 AI 的上下文越丰富越精确，AI 回馈给你的价值就越高。这不是 AI 的问题，是沟通质量的问题。

写好提示词的实用建议

• 具体优于模糊：不要说"写长一点"，说"写 800 字"
• 结构化描述：用编号或分点列出要求，比一段长文字更容易被 AI 理解
• 先给背景再提问：让 AI 先进入场景，再执行任务
• 迭代优化：第一次输出不满意很正常。根据结果调整提示词，逐步逼近理想输出
• 善用示例：提供 1-2 个你期望风格的样本，效果远好于纯文字描述

常见错误清单

进阶技巧：让提示词更上一层楼

掌握了基础框架之后，这些进阶技巧能让你的提示词水平从"能用"跃升到"好用"。

技巧一：思维链（Chain of Thought）

对于复杂的分析或推理任务，不要直接让 AI 给结论，而是要求它「一步步思考」：

请分析以下商业方案的可行性。
要求：先列出所有前提假设，然后逐一验证每个假设，
最后基于验证结果给出综合评价。

思维链提示能让 AI 的推理过程透明化，既提升了结论的准确性，也方便你发现逻辑漏洞。对于 DeepSeek-R1 和 Claude 这类推理能力强的模型，效果尤其显著。

技巧二：负面约束

告诉 AI「不要做什么」和告诉它「要做什么」同样重要：

写一篇关于 AI 编程的入门文章。
不要使用以下内容：
- 不要写"人工智能将取代程序员"这类贩卖焦虑的观点
- 不要使用"赋能""破圈""底层逻辑"等过度使用的网络词汇
- 不要在开头写"在当今这个……的时代"

负面约束特别适合控制 AI 的风格输出——大模型经常输出一些陈词滥调，用负面约束可以有效规避。

技巧三：角色叠加

单一角色有时不够用，可以让 AI 同时承担多个角色或切换视角：

你同时具备以下两个身份：
1. 一位深耕 AI 领域 10 年的技术专家
2. 一位擅长把复杂概念讲给小白听的科普作家

用第二个身份的表达方式，输出第一个身份的专业知识。

角色叠加的核心是：用一个角色提供「知识深度」，用另一个角色控制「表达方式」。

技巧四：自我评估

让 AI 输出结果后自己打分和改进：

第一步：写一段 200 字的产品介绍。
第二步：以严格的文案总监身份，从吸引力、清晰度、可信度三个维度给自己打分（1-10）。
第三步：针对得分最低的维度重写一版。

自我评估不会每次都有效，但对于重要内容（广告文案、汇报材料等），这种"写-评-改"循环能显著提升输出质量。

不同模型的提示词策略差异

翔宇用过 ChatGPT、Claude、DeepSeek、Gemini 等多个主流模型，发现一个重要规律：同一条提示词在不同模型上的效果差异很大。下面是一些实用的适配建议：

核心原则：不要把一条提示词当成万能钥匙，而是根据模型特性做适配调整。

二零二六年提示词工程的新趋势

翔宇观察到几个值得关注的变化。第一，随着模型能力的快速提升，过去需要写得很详细的提示词现在可以写得更简洁了。特别是 Claude 和 DeepSeek 这类推理型模型，过度指导反而会干扰它们的内部推理流程。翔宇的经验是先用简洁指令试一次，不满意再逐步补充细节。

第二，"系统提示词"的重要性持续上升。越来越多的场景通过设置系统提示词来定义 AI 的行为基线，然后用户提示词只需要描述具体任务。这种分层设计让提示词更模块化、更容易复用和维护。

第三，多模态提示词正在成为新常态。你不仅可以用文字指令 AI，还可以给它一张参考图片、一段音频或一份文档作为上下文。翔宇在实际工作中经常把截图直接发给 Claude，让它基于视觉信息给出分析和建议——这种"图文混合提示"的效果远好于纯文字描述。

实操：不同场景的提示词模板

文章写作场景

角色：你是一位深耕 [领域] 的资深内容创作者。
任务：写一篇面向 [受众] 的文章，主题是 [主题]。
结构：开头用一个 [故事/数据/问题] 引入，中间分 [N] 个部分论述，结尾给出 [行动建议/总结]。
风格：[口语化/专业/幽默]，一段一意，避免 [禁用词列表]。
字数：[X] 字左右。

视频脚本场景

角色：你是一位 YouTube 知识博主的脚本写手。
任务：为一期 [时长] 分钟的视频写口播脚本，主题是 [主题]。
结构：开头 3 秒抓住注意力（用 [问题/惊人事实]），中间分 [N] 个知识点，每个配一个生活化的比喻，结尾引导订阅和评论。
语气：自然口语化，像跟朋友聊天。

社交媒体文案场景

角色：你是一位擅长 [平台名] 运营的文案专家。
任务：为 [产品/话题] 写 [N] 条社交媒体文案。
要求：每条不超过 [X] 字，包含一个引发互动的问题或行动号召。
风格：[轻松有趣/专业权威/温暖治愈]。

数据分析场景

角色：你是一位资深数据分析师，擅长从数据中提炼商业洞察。
任务：分析以下数据表格，输出一份 3 分钟能读完的分析报告。
要求：
1. 先概括整体趋势（1-2 句话）
2. 指出 3 个最值得注意的数据异常
3. 每个异常给出可能的原因假设
4. 最后给出 2-3 条可操作的建议
格式：使用小标题和要点列表，关键数字加粗。

延伸阅读

• 提示词框架完全指南：18 个实用框架提升 AI 对话效率
• DeepSeek 五大核心技巧：提示词优化与使用指南

常见问题

Q：提示词工程会被淘汰吗？AI 越来越智能，还需要学提示词吗？

模型确实在变得更智能——越来越能理解模糊的指令。但「精准描述需求」这个能力永远不会过时。提示词工程的本质是「清晰思考和有效沟通」，这种能力在任何时代和任何行业中都是不可替代的核心竞争力。随着 AI 融入更多工作场景，懂得如何高效使用 AI 的人只会越来越有价值。

Q：英文提示词效果是不是比中文好？

对于 ChatGPT 和 Claude 这类以英文数据为主训练的模型，英文提示词在某些任务上确实稍有优势。但对于 DeepSeek、通义千问等中文模型，中文提示词效果完全不输英文。翔宇的建议是：用你最自然的语言写提示词——表达的清晰度比语言选择重要得多。

Q：有没有提示词的自动优化工具？

有。你可以让 AI 自己优化提示词——把你的初版提示词发给它，让它以「提示词专家」的身份改进。DeepSeek 官方就提供了「提示词生成」模板（本教程的姊妹篇有详细介绍）。另外，一些工具如 PromptPerfect 也提供自动优化功能，但翔宇认为手动迭代更能建立直觉。

Q：不同任务应该选什么模型？

翔宇按任务类型给出一个简明的选择建议。如果你需要写中文长文或者做风格转换，DeepSeek 和 Claude 都是优秀的选择。如果你需要处理复杂的推理和分析任务，Claude 的表现最稳定。如果你需要快速生成大量变体或者处理表格数据，GPT 系列是不错的选择。如果你需要超长上下文（比如分析一整本书），Gemini 的百万级别上下文窗口是当前最强的。记住没有完美的模型，只有最适合当前任务的模型。

Q：新手最容易犯的错误是什么？

根据翔宇辅导学员的经验，新手最常犯的错误不是提示词写得不好，而是不做迭代。很多人给了一条提示词，拿到结果后觉得"还行吧"就接受了。但"还行"和"很好"之间可能只差一轮调整。翔宇的建议是：对重要内容至少做三轮迭代。第一轮看整体方向对不对，第二轮调细节和格式，第三轮打磨语言风格。每一轮只改一到两个维度，这样你能清楚地看到每次调整带来的变化。

到这里，你已经搞懂了提示词工程的完整链路：认识世界（搞清需求）→ 改造世界（编写指令）→ 迭代优化（评估调整）。核心框架（角色 + 任务 + 目标 + 格式 + 示例 + 约束）和多个场景模板可以直接拿去用。

掌握提示词撰写，能让 AI 真正成为你创作路上的得力助手。

提示词的"保质期"问题

翔宇特别提醒一个容易被忽视的问题：提示词是有"保质期"的。随着模型更新迭代，过去效果很好的提示词可能在新版本模型上表现下降。比如翔宇在早期用 GPT 三点五时精心调试的一些提示词模板，到了 GPT 四点零之后效果反而变差了，因为新模型的理解能力更强，过度详细的指令反而成了限制。

翔宇的应对策略是建立"提示词库"——把你所有用过的高效提示词分类存档，标注使用的模型和版本、适用场景、效果评分。每隔两到三个月在最新模型上重新测试一遍，淘汰失效的、优化有潜力的、新增发现的好用模板。这个提示词库会越来越有价值，它就是你和 AI 高效协作的经验资产。

团队协作中的提示词管理

如果你是团队负责人或者和他人协作，提示词的标准化和共享变得尤为重要。翔宇的做法是把高频使用的提示词模板整理成一份共享文档，包含使用说明、输入变量和预期输出示例。团队成员不需要从零学习提示词工程，只要按模板填入自己的具体需求就能得到一致的高质量输出。这种"提示词产品化"的思路能大幅降低团队的 AI 使用门槛，提升整体效率。

翔宇在自己的工作中已经积累了超过五十个经过反复验证的提示词模板，覆盖文章写作、视频脚本、社交媒体文案、数据分析、代码审查等常见场景。这些模板不是死板的格式，而是灵活的框架——核心结构固定，具体细节根据任务调整。下一步就是打开你常用的 AI 工具，套用上面的框架写一条提示词，跑一次，评估结果，调整再来。

翔宇想特别强调一点：提示词工程不是一门"学完就可以放下"的技能，它更像是一种持续进化的工作方式。随着 AI 模型越来越强大，提示词的写法也在不断演变。二零二六年的最佳实践和二零二四年已经有了显著差异，未来还会继续变化。保持好奇心和实验精神，定期尝试新的提示词方法和新的模型，才能在 AI 时代持续保持竞争力。翔宇自己每周至少花两个小时专门做提示词实验——测试新模型的特性、尝试新的指令结构、对比不同风格的输出效果。这些实验中的百分之八十可能不会有惊喜，但剩下的百分之二十会给你带来远超预期的收获。

最后记住一句话：你和 AI 的沟通质量决定了 AI 对你的价值。 投资时间提升沟通质量是这个时代回报率最高的学习投入之一。无论你是程序员、设计师、运营人员还是创业者，掌握和大语言模型高效沟通的能力都会成为你职业发展中不可或缺的核心竞争力。现在就开始实践吧，每一次与大语言模型的认真对话都是一次提升自己思维能力和沟通技巧的宝贵机会。

下一步

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