提示词工程实战：写出高质量的 AI 提示词

模糊的问题只会得到模糊的答案。明确告诉模型你要什么：任务、目标、输出格式、字数、语气等约束越具体越好。

例如把"帮我写个文案"改成"为一款面向开发者的 AI 工具写 3 条不超过 20 字的宣传语，风格简洁专业"。

给模型补充必要的背景信息，它才能给出贴合场景的回答。把相关资料、约束条件一并放进提示词。

如果你希望输出遵循特定格式，直接给一两个示例（few-shot）通常比长篇解释更有效。

对于推理、计算类任务，加入"请一步步思考"这类引导（Chain-of-Thought），能显著提升正确率。

也可以把复杂任务拆成多个步骤，分别提问，再让模型汇总结果。

为模型设定一个角色，例如"你是一名资深前端工程师"，能让回答更专业、更聚焦。

需要结构化结果时，明确要求输出为 JSON、Markdown 表格或带编号的列表，方便后续程序处理。

不要一次塞入太多互相冲突的要求；不要假设模型知道你的隐含前提；对事实性内容要留一步验证。

把提示词当作可迭代的"程序"：先跑一版，再根据输出不断微调，逐步逼近理想结果。

在基础技巧之上，还有几条高级模式能显著提升效果。思维链（CoT）让模型在回答前先"大声推理"，在数学和逻辑任务上能提高正确率。ReAct 将推理与行动结合：模型先思考、调用工具、观察结果、再迭代。思维树（Tree-of-Thought）并行探索多条推理路径并选最优。自一致性（Self-Consistency）生成多个答案后取多数投票，减少偶发错误。

把提示词当作一个工程迭代循环，而非一次性猜测。第 1 步：写一版提示词，在 5-10 个代表性输入上运行。第 2 步：检查输出——哪里失败了？缺少上下文？格式错误？语气不对？第 3 步：针对性地加入约束条件，重新运行。第 4 步：质量达标后，用结构化输出（JSON 模式、函数调用）自动化，并添加评估指标。这种"构建-度量-学习"循环才是生产级提示词系统的真实工作方式。