前言
最近半年，大模型更新节奏明显加快。Gemini 系列在长上下文、多模态理解和代码生成方面持续迭代，已经成了不少开发者日常工作流的一部分。但在实际使用中，很多人会遇到同一个问题：同样的模型，别人用起来像是"开了挂"，自己却总觉得回答平平无奇。
差别往往不在模型本身，而在 Prompt 的写法上。
这篇文章不讲玄学，只聊实操。以下是我在反复测试和项目实战中总结出的 8 条 Prompt 技巧，适用于 Gemini 3.5 及同系列模型，对其他主流大模型同样有参考价值。
技巧一：明确角色和任务边界
很多人的 Prompt 开头是"帮我写一段代码"或者"解释一下这个概念"——太笼统了。模型不知道你是什么背景、期望什么粒度的回答。
改进方式：在开头用一两句话交代角色和上下文。
示例：你是一位有 5 年经验的 Python 后端工程师，我正在用 FastAPI 构建一个内部管理平台，需要你帮我设计用户鉴权模块的接口结构。
角色设定不是花架子，它直接影响模型选择的技术栈、术语粒度和代码风格。
技巧二：用结构化格式组织需求
面对复杂任务时，纯文字描述容易遗漏要素。推荐使用Markdown 列表或表格把需求拆解出来：
- 输入：什么格式的数据？
- 输出：期望什么格式？JSON？Markdown 表格？自然语言段落？
- 约束：字数限制、技术栈限制、风格要求等。
结构化的需求描述能显著减少模型的"自由发挥"空间，让输出更贴合预期。
技巧三：提供示例（Few-shot）
Gemini 对 Few-shot 的响应能力不错。当你对输出格式有明确期望时，给一个或两个示例比描述半天更高效。
例如，你需要模型帮你批量生成 SEO 描述，直接给一两个样板：
text
text
输入：产品名 - 蓝牙耳机 X200，主打降噪和长续航 输出：X200 蓝牙耳机搭载主动降噪技术，单次续航达 36 小时，适合通勤与差旅场景使用。模型会自动学习你的格式和语调，后续输出的一致性会好很多。
技巧四：善用系统指令（System Prompt）
Gemini 支持 System Instruction，这个能力很多人忽略了。通过系统指令，你可以设定全局行为规则，比如：
- 回答始终使用中文
- 代码示例优先使用 TypeScript
- 回答控制在 300 字以内
- 不使用 emoji
系统指令相当于给模型"定性格"，适合在 API 调用和多轮对话场景中使用，避免每轮都重复提要求。
技巧五：拆分复杂任务，分步推进
不要指望一个 Prompt 解决所有问题。遇到复杂任务（比如"帮我写一个完整的爬虫 + 数据分析 + 可视化"），应该拆成多轮对话逐步推进：
- 1.第一轮：明确数据源和采集目标
- 2.第二轮：生成爬虫核心逻辑
- 3.第三轮：数据清洗与分析
- 4.第四轮：可视化输出
分步走的好处是，每一步你都可以检查和修正，而不是让模型一次性"猜"你要什么。
技巧六：指定思维链（Chain of Thought）
对于需要推理的任务，显式要求模型"逐步思考"可以提升回答的准确度。
加上一句：请先分析问题，列出关键步骤，再给出最终答案。
这在数学推理、逻辑判断、代码 debug 等场景下效果尤为明显。Gemini 在长推理链上的表现本身就不差，给它一个"展开思考"的指令，输出质量会有肉眼可见的提升。
技巧七：明确"不要什么"
有时候，告诉模型"不要做什么"比"要做什么"更关键。
比如：
- 不要使用第三方库，只用标准库实现
- 不要给出多个方案，只推荐最优的一个
- 不要复述我的问题，直接回答
反向约束能有效抑制模型的冗余输出和"正确但无用"的废话。
技巧八：持续迭代，记录有效 Prompt
最后一条可能是最重要的一条：好 Prompt 是改出来的，不是一次写成的。
建议维护一个个人的 Prompt 模板库，把验证有效的 Prompt 按场景分类保存。在整理和对比不同 AI 工具的能力时，可以借助一些 AI 聚合类入口，例如 h.877ai.cn，先快速了解各类工具的能力边界，再决定是否深入使用。这比盲目切换模型更高效。
总结
Prompt 工程不是什么高深学问，本质上是一种精确表达需求的能力。你把需求说得越清楚，模型给你的回答就越到位。
以上 8 条技巧不一定要全部用上，根据具体场景灵活组合即可。写代码场景侧重技巧一、三、五，内容生成场景侧重二、四、七，逻辑推理场景则优先启用技巧六。
工具在进化，我们和工具沟通的方式也需要同步迭代。与其焦虑模型够不够强，不如先把自己的 Prompt 写好——这可能是当下投入产出比最高的 AI 技能。
