做提示词工程这几年，最常被问到的一句话就是：“提示词到底怎么才算写好？”说实话，这问题没有标准答案，但有一套可以复用、可以验证的方法。这篇文章不聊玄乎的理论，直接给实操路径——10个真正能在今天下午就上手的技巧，加上一套我日常积累的模板库，从原理到踩坑经验一次说清楚。适合正在用大模型做内容、写代码、做分析的从业者，也适合刚入门想系统提升提示词能力的新手。
提示：文中所有技巧都基于当前主流大语言模型（GPT系列、Claude系列、国产开源模型等）的通性行为设计，换模型也能用，效果差异靠调参和微调来补。
1. 为什么提示词工程值得花时间
很多人觉得提示词就是“把话说清楚”，但实际用下来会发现，一个设计过的提示词和一个随口写的提示词，输出质量差距可能大到像两个模型。这背后的原因是，大语言模型本质上是一个概率系统，它生成每个词都要基于前面的上下文做预测。你的提示词就是它唯一的上下文，你给的信息密度、结构、约束条件，直接决定了它预测路径的优劣。
我见过太多人抱怨“AI写的东西没法用”，拆开看提示词基本都是“帮我写个方案”“总结一下这篇文章”这种一句话指令。模型没有方向、没有边界、没有示例，只能凭训练数据里的平均概率去猜，猜出来的东西当然平庸。
提示词工程解决的就是三件事：让模型理解你要什么（需求对齐）、给出模型可执行的约束（边界控制）、帮模型降低生成难度（任务分解）。前两者保证方向正确，第三者保证质量上限。这三件事做到位了，即便用同一个底座模型，输出效果都能有明显提升。
还有一个容易被忽略的原因，是可复现性和效率。一套好的提示词模板能让你从“每次从零开始敲键盘”变成“改几个参数就出活”。尤其在做批量任务、团队协作、自动化流程的时候，提示词就是你的核心资产，值得投入时间打磨。
1.1 提示词的底层作用机制
先建立一个基础认知：大模型不是在“理解”你的话，而是在计算“最可能的下一个词”。你写“写一首关于秋天的诗”，它会基于海量训练数据推测，写秋天大概率是悲伤、落叶、丰收这类高频意象。你写“写一首关于秋天但基调是悬疑的诗，主人公是一个侦探”，它的预测空间就被大幅压缩，输出的独特性立刻上升。
这个机制决定的技巧就是——提示词要尽量收窄模型的概率空间。你给的背景信息越具体、任务指令越明确、输出格式越固定，模型就越不容易跑偏。这也是为什么角色设定、固定句式、格式约束这些技巧有效，因为它们本质都是在做概率空间的裁剪。
1.2 好的提示词与差提示词的差距
拿实际案例对比一下。差的提示词：“帮我写一封邮件。”模型会给你一封四平八稳的通用邮件，能用但没亮点。
稍好一点的：“帮我写一封邮件，内容是向客户说明项目延期，语气要诚恳。”这版有任务有背景有语气要求，输出已经有可用的雏形。
设计过的提示词：“你是一位有10年经验的商务沟通顾问。请帮我写一封向客户说明项目延期两周的邮件。背景：项目因供应商原材料到货延迟导致工期延后，我方已启动备用方案，预计两周内完成交付。邮件需要：1. 开头直接致歉，避免找借口；2. 说明原因但点到为止，不展开技术细节；3. 给出明确的补救措施和时间节点；4. 结尾表达对客户理解的感谢。语气专业、诚恳、不卑不亢，长度控制在150字以内。”
第三个提示词把背景、身份、结构、边界、风格全给了，模型输出质量自然完全不同。这就是差别，也是提示词工程花了时间就有回报的原因。
2. 十个立刻能上手的核心技巧
2.1 角色设定：给模型一个明确身份
角色设定是我用过的性价比最高的技巧。原理很简单：当你给模型指定身份时，它的训练数据就会被激活到特定领域，输出会用这个身份的知识结构和表达习惯。
实操要点：身份描述越具体越好。举例，“你是一位资深律师”不如“你是一位专注合同法领域10年的执业律师，处理过200+起合同纠纷案件”。后者对模型的知识聚焦效果明显更好，因为限定词收窄了检索空间。
常见错误是角色设定和任务脱节，比如让模型扮演律师却让它写营销文案，这叫角色漂移。正确做法是角色、任务、目标三者保持逻辑一致。
参考模板：
你是一位[具体身份]，在[具体领域]有[具体年限/案例数]的经验。 当前任务是：[具体任务描述]。 你的目标是[具体目标]，请以你的专业视角完成[具体事项]。2.2 任务拆分：把大任务拆成小步骤
大语言模型在处理复杂任务时有个通病：一步到位的结果质量远低于分步完成。原因是模型对长期依赖关系处理能力有限，一旦任务链条过长，前面的信息会被逐渐稀释，最后生成的段落就容易偏离。
我在实际项目中测过，要求模型“写一篇包含数据分析、竞品调研、执行建议的营销方案”，直接输出时内容比较空泛，每个环节都只浮在表面。但把它拆成“第一步做竞品分析，第二步基于竞品分析制定策略，第三步为策略设计执行节奏”，每一轮都基于上一步的输出继续，最终结果信息密度能翻倍。
实操时可以用“先...然后...最后...”结构强制模型分步输出，或者直接在一轮对话里要求它按步骤编号回答。这里有一个核心心法：让模型每一步只做一件事，复杂的模型动作会显著拉低输出质量。
2.3 格式约束：告诉模型输出的容器长什么样
格式约束是确保模型输出“能直接用”的关键。绝大多数人忽略了这个点，结果拿到的是一大段不分点的文字，还得自己手工整理。
比如做数据分析，提示词里明确指出“用表格输出对比结果，第一列是指标名称，第二列是当前值，第三列是环比变化率，最后一列是结论备注”，模型就会自动生成格式整齐的表格。做代码任务时指定“用python输出，提供完整代码块，标记依赖库版本”，也能避免代码缺头缺尾的问题。
我总结的格式约束三要素：结构要求（表格/列表/段落）、内容要求（每部分放什么）、长度要求（按字/按条/按篇幅限制）。三者写清楚，输出基本一次成型。
2.4 示例引导：给一两个例子比说十句都管用
这招在业内叫“少样本提示”（few-shot learning），原理是模型能从示例中直接推断你期望的输出模式。它对模型的理解效率，比任何抽象描述都高。
举个我在做的场景。想要模型做“文本分类”，我用过两种写法：
写法A：“请将以下客户反馈分为好评、中评、差评三类。”
写法B：“请将以下客户反馈分类。示例1：'快递速度很快，包装完好，五星好评。' -> 好评。示例2：'产品还行但物流太慢，等了一周才到。' -> 中评。示例3：'质量太差，用了两天就坏了，强烈差评！' -> 差评。现在请分类：‘客服态度很好但价格偏贵。’”
实测写法B的分类准确率提升显著。因为示例不只是说明了任务，还在调教模型的输出风格、判断边界和格式习惯。两个示例就能起效，但3-5个效果更稳。注意示例要覆盖边界情况，比如“内容包含正面和负面的混合，应该归哪类？”这种模糊场景，你不示范，模型容易翻车。
2.5 思维链：让模型把推理过程写出来
思维链提示（Chain-of-Thought）的原理是，当你要求模型逐步推理而不是直接给答案时，它会把问题分解成多个中间步骤，每个步骤的质量都得到单独保证，错误率大幅降低。
实际使用要注意一个技巧：在提示词里用“我们一步一步推理”不如用“请先列出已知条件，再分析每个条件的含义，最后综合得出结论”。前者只是态度引导，后者是结构引导，效果完全不同。
适合思维链的场景：数学计算、逻辑推理、方案设计、复杂问题分析。不适合的场景：事实性问答、文案创作、信息提取这类不需要复杂推理的任务。用错场景反而增加输出时长和成本。
它和任务拆分的区别在于：任务拆分是人为设计步骤，思维链是把“如何推理”这个认知过程显性化。两者可以叠加使用，效果很好。
2.6 约束条件：给模型画边界比放开更有效
模型天然有发散倾向，尤其是在创意类任务里。约束条件就是给它画圈，让它在圈内发散而不是漫无边际。
约束条件通常包括：负面清单（不要做什么）、资源限制（字数、预算、时间）、受众限定（写给谁看）、风格限定（正式/口语/学术）。
实操中，负面清单尤其管用，但很多人不会用。举例：“写一个产品文案，不要用‘极致’‘卓越’‘引领’这类空泛词，不要用感叹号，不要超过50字。”这个负面清单直接砍掉了常见AI味文案的一大半问题。
约束条件多少合适？我建议优先给出3-5条关键约束，太多会束缚模型的发挥空间，太少等于没约束。
2.7 迭代追问：不要指望一次完美
一次对话就写出完美结果的概率很低，但大多数人没意识到“迭代”才是大模型工作流的常态。与其花半小时写一个完美提示词，不如先花3分钟写一个60分的，看输出后再做一次针对性调整。
我的迭代工作流是： 第一轮：给出基础提示词，拿到初稿。 第二轮：挑出问题，提出具体修改意见，例如“第二段逻辑跳太快，补充过渡句；第一点数据来源不明确，删除或用占位符”。 第三轮：微调细节，比如语气、字数、说法。
迭代的本质是在利用模型的长上下文能力，让它基于上一次输出做局部修正。这比重新写一个长提示词高效得多。
2.8 正反结合：既要告诉它要什么，也要告诉它不要什么
很多人知道要“告诉AI做什么”，但忽略了“告诉AI不做什么”同样重要。原因在于，模型的预测空间里有大量“合理但不是你要”的选项，负面约束能有效排除这些干扰。
实际测试中，“不要使用专业术语，用初中生能听懂的语言解释”和“用简单语言解释”相比，后者经常仍然会冒出一堆“赋能”“抓手”“颗粒度”这类黑话，而加了负面清单之后，这类词出现频率大幅下降。
正反结合还有一个进阶玩法：输出前自检。提示词末尾加上“完成后请检查你的输出是否符合以下要求：1. 无专业术语；2. 不超过200字；3. 无AI常见表达（如‘总之’‘总的来说’）”，模型会按这份检查清单自我修正一遍，效果立竿见影。
2.9 结构化提示：用分隔符和章节组织信息
模型处理纯文本时，对信息结构的感知不如人类直观。你用分隔符（例如###或>>>）把提示词拆成多个段落之后，模型可以更轻松地区分“背景信息”和“执行指令”。
推荐结构：
### 背景 （这里放任务背景，告诉模型为什么需要做这件事） ### 任务 （这里放你要模型具体做什么，用动词开头） ### 要求 （这里放格式、长度、语气、负面清单等约束条件） ### 输入 （这里放需要处理的原始内容）这种写法之所以有效，是因为它把提示词的信息层级显性化，模型在生成时能更好地区分指令和内容。尤其处理长文本、多步骤任务时，结构化提示的稳定性明显优于一段话到底的写法。
2.10 语气风格控制：调整输出语气而非内容
最后一个技巧是容易被忽略的“软参数”——语气风格。同一份内容，用正式语气和用口语化语气输出，读起来感觉完全不同。控制方法是在提示词里直接指定：“用轻松、口语化的语气，像朋友聊天一样表达”或者“用正式、权威的语气，像行业白皮书一样表达”。
进阶用法是给出参照风格。比如“模仿鲁迅的杂文风格”“用科技媒体报道的风格写”，模型的模仿效果通常不错。日常写作场景中，我会直接给风格样本：“参考以下文字的风格进行改写：[样本]”。这种显式参照比任何形容词都高效。
语气控制的本质，也是在收窄模型的概率空间。它不改变内容方向，但能显著改变输出的亲和度和传播力。
3. 模板库：拿来即用的成套模板
下面列几个我压箱底的提示词模板，覆盖高频场景。这些模板不是我凭空设计的，每一套都在实际工作中反复调过参数。
3.1 文本总结模板
适用于会议纪要、文章精读、报告提炼，特点是输出结构固定、信息不遗漏。
### 背景 你是一位资深内容编辑，擅长从长文本中提取核心信息。 ### 任务 请将以下内容总结为一份结构化摘要。 ### 要求 1. 开头用一句话概括全文核心观点 2. 分点列出关键论据，每点不超过30字 3. 标注原文中提到的数据指标 4. 如有分歧观点，单独列在“补充说明”部分 5. 总字数控制在原文的20%以内 ### 输入 [粘贴原文]这套模板的核心设计点在于：先用“资深内容编辑”锁定专业视角，再用结构要求控制输出形式，最后用“字数比例”让模型学会取舍信息。
3.2 文案改写模板
适用于公文整改、营销文案润色、口语转书面语等场景。
### 背景 你是一位[领域]资深文案专家，文字功底扎实，擅长简洁有力量的表达。 ### 任务 改写以下文字，解决[原文问题，如“口语化严重”“逻辑混乱”“缺乏吸引力”]。 ### 要求 1. 保留原意，不添加原文不存在的事实信息 2. 开头第一句要有吸引力，能抓住读者注意力 3. 删除重复表达和废话，每段只留一个核心点 4. 使用[正式/口语/网络化]语气 5. 不超过原文150%的字数 ### 输入 [粘贴原文]这个模板的巧妙之处是把“告诉你哪里要改”和“告诉你怎么改”同时给到模型，避免它自作主张改变原文事实。
3.3 数据分析解读模板
适用于给一堆指标配上业务解读、写周报/月报分析结论的场景。
### 背景 你是一位数据分析师，擅长从数据波动中定位业务归因。 ### 任务 基于以下数据，输出一份业务解读报告。 ### 数据 [指标名]: [数值]，环比变化：[X%] [指标名]: [数值]，环比变化：[X%] （按此格式罗列） ### 要求 1. 先写总体结论，一句话概括本期数据表现 2. 逐条拆解关键指标变化，说明可能原因 3. 指出数据中异常值，给出排查建议 4. 区分“事实”和“推断”，推断必须标明 5. 不要编造未提供的数据 ### 输出格式 - 总体判断： - 关键指标拆解： - 异常与风险： - 建议动作：这个模板的关键指令是“区分事实和推断”，否则模型会脑补出一堆没有依据的归因分析，这是数据分析场景最常见的坑。
3.4 代码编写模板
适用于写完一段需求让大模型生成代码的场景。
### 背景 你是一位[编程语言]高级开发工程师，代码风格清晰，注重工程规范。 ### 任务 根据以下需求编写代码：[需求描述] ### 技术约束 - 语言版本：[如Python 3.10+] - 依赖库：[列出允许/禁止使用的库] - 性能要求：[如“时间复杂度不超过O(n log n)”] - 兼容性：[如“兼容Windows和Linux”] ### 输出要求 1. 先给完整代码，再给使用说明 2. 关键逻辑处写注释 3. 包含输入参数格式和返回值说明 4. 如需额外安装依赖，单独列出 5. 如需求有歧义，先列出假设条件再写代码“先列出假设条件再写代码”这条是我踩坑踩出来的。大模型对不清楚的需求经常自说自话做预设，一旦预设和实际不符，生成代码就是白费功夫。让它先说假设，你可以在它开始敲代码前纠偏。
3.5 角色模拟对练模板
适用于模拟面试、销售演练、客户沟通练习等场景。
### 背景 你扮演[角色]，我正在准备[目的，如“面试某产品经理岗位”]。 ### 任务 现在开始模拟[场景，如“面试官提问环节”]，每次我回答后，你给我反馈。 ### 反馈要求 1. 指出我回答中的优点（具体到哪句话） 2. 指出不足（具体到逻辑漏洞或表达问题） 3. 给出一个更好的回答范例 4. 控制单次反馈不超过200字 5. 模拟面试全程不要打断我，让我完整回答这个模板把AI从“问答机器”变成了“陪练教练”，在面试准备、谈判训练这类场景重复使用率很高。第5条是经验教训，不加这条模型经常在你说到一半就插话纠错，体验很差。
4. 实操过程与核心环节实现
4.1 从需求到提示词的四步拆解法
很多人在写提示词时卡在第一步：不知道怎么把自己的需求翻译成模型能听懂的语言。我总结四步拆解法，拿真实需求演示一下。
需求：下周要给客户做一个产品介绍PPT，需要整理框架。
第一步定角色：需要“有B2B产品营销经验、擅长做简洁有力的提案框架的设计师”。角色越具体，后续输出越专业。
第二步拆任务：把大需求拆成三个子任务——客户痛点分析、产品价值点梳理、页面结构规划。
第三步定格式：PPT框架用页面为单位输出，每页包含“核心标题、要点、建议配图方向”三行。
第四步列约束：页数不超过15页、每页要点不超过3条、语言使用客户行业术语、不能用“解决方案专家”这类模糊表述。
四步做完拼装成一个结构化提示词，直接粘贴就能用。整个过程熟练后不到两分钟，但输出质量会高出一个档次。
4.2 提示词拼接与优化案例演示
拿上面四步拆解的结果做一个完整示例：
### 背景 你是一位服务过50+B2B企业客户的营销策划专家，擅长把复杂产品价值提炼成客户看得懂的提案框架。 ### 任务 为[客户公司名]设计一份产品介绍PPT的框架，目标受众是客户公司的决策层（CEO/CTO）。 ### 输出格式 按页面组织，每页包含： - 核心标题：一句话，必须直接点出客户关注点 - 要点：不超过3条，每条不超过20字 - 配图建议：描述配图内容方向 ### 约束 1. 总页数不超过15页 2. 前3页必须是“客户痛点共鸣”部分，不要直接讲产品 3. 产品介绍部分必须用“客户案例+数字佐证”的方式，不用功能介绍式写法 4. 不要使用“赋能”“抓手”“闭环”等黑话 5. 最后一页是行动号召，给出明确的下一步沟通建议这个提示词里第2条和第3条是我经常用的“反直觉设计”——写产品介绍PPT，模型第一反应往往是从公司介绍开始铺，但真正打动决策层的核心是让对方感受到“你懂我的问题”，这需要人为用约束条件校正模型的默认路径。
实测直接跑这个提示词，输出的框架已经有80%以上可以直接用于撰写。剩下20%靠人工调整客户专属信息。
4.3 提示词版本管理与效果评估
提示词不是一次性产物，需要持续迭代。我的管理方式是在文档里给每个提示词记录版本历史：
版本V1：初版，发现输出过长，结构不清晰。 版本V2：加了输出格式约束，结构调整，但内容偏泛。 版本V3：加受众信息，内容针对性提升，部分表述黑话多。 版本V4：加负面清单，问题解决。
日常使用中，我建议关注三个评估维度：稳定性（同样输入多次生成结果是否一致）、贴合度（输出是否满足约束条件）、可复用度（换一批数据或需求，调整成本高不高）。
特别提醒：同一套提示词在不同模型上的效果可能有明显差别。在GPT-4上跑得很好的提示词，换到开源模型上可能需要加更多示例和约束。建议为常用场景维护2-3套适配不同模型的提示词版本。
5. 常见问题与排查技巧实录
5.1 模型输出不理想的排查清单
每次得到不满意结果，我建议按顺序排查这几项：
第一项：角色是否明确。没给角色就补角色，多数情况输出泛泛的问题都是因为缺少这个步骤。
第二项：任务是否单一。模型一次做多件事容易两头不讨好，拆开重试。
第三项：约束是否具体。把抽象的“要专业的”替换成具体的“每段不超过5行，不用形容词堆砌”。
第四项：是否有示例。抽象任务给几个示例，输出立刻有样子。
第五项：是否有负面清单。没有负面清单就默认加上“不要输出与问题无关的内容”这条兜底。
这套排查顺序我称之为“从上下文到约束的逐级检查法”。先把大方向（角色、任务、示例）补齐，再精修约束条件，切记不要一上来就纠结字数风格这些细枝末节。方向错了，细节修了也白修。
5.2 输出内容“AI味”重的处理办法
“AI味”就是一眼假、空泛、装腔作势的表达。核心原因是模型倾向于输出高概率的常见词汇组合，而这些组合已经被大量AI生成内容污染了。
处理办法有三招： 第一招是负面清单，直接列出你不想看到的词汇和句式。 第二招是风格参照，给模型一段你喜欢的笔风作为参考。 第三招是细节要求，要求“加入具体的时间地点场景描述，少用抽象名词”，倒逼模型生成更落地的内容。
这三招递进使用，从“删掉烂表达”到“建立好表达”再到“强制具体化”，能把AI味压到很低的水平。
5.3 长任务丢失上下文后的重置方法
生成超过1500字的长文本时，模型经常出现前后不一致、遗忘早期指令的情况。这不是你的提示词写得不好，而是模型的上下文窗口有限，前面的信息被新的生成内容“挤”出去了。
解法之一是分段生成。把长任务拆成段落，每段独立提示词，上一段的输出作为下一段的输入上下文。这样每段都有精准的指令，不会中途跑偏。
解法之二是利用模型的“记忆强化”机制。在长任务的关键位置插入提醒语句，比如“请记住你正在写一份面向[某类读者]的行业报告，语气需保持[某风格]，并在后续内容中延续这一点”。这种“再锚定”技巧在长对话场景里非常管用。
5.4 模板在不同模型间迁移的适配技巧
每家大模型的底座参数、对齐方式、训练数据分布不同，导致同一个提示词在不同平台上表现差异很大。我在跨模型迁移时有一个“适配调试三步法”：
第一步：跑基准测试。用3-5个典型需求测一下目标模型的表现，判断它的“性格”是偏向指令遵循还是偏向发散创作。
第二步：针对性调整。偏向发散的需要加更多负面清单和格式约束；偏向指令遵循的可以多给开放性问题，发挥它的创造力。
第三步：记录参数偏好。比如某个模型对“字数”感知不准确，但对“段落”约束执行得不错，那就把“不超过200字”改成“不超过5个短句”。
这套适配流程我每换一个模型就跑一遍，虽然前期花点时间，但能最大程度避免在费心写完提示词后踩到“换模型就失效”的坑。
6. 组合技巧与进阶思路
6.1 十个技巧如何组合使用
十个技巧单独用好掌握，但实际项目中往往是多个技巧叠加。我常用的组合方式有：
角色设定+格式约束+负面清单：适用于所有正式的生成任务，稳定三件套。角色设定解决专业度，格式约束解决可用性，负面清单解决返工率。
任务拆分+结构化提示+迭代追问：适用于复杂写作或方案类任务。先拆结构，再一轮轮填血肉。
示例引导+思维链+角色设定：适用于推理分析类任务。用角色定视角，用示例定判断标准，用思维链保证推理质量。
组合时注意：技巧不是加得越多越好。一条提示词里塞七八个技巧，模型容易“过拟合”，反而影响效果。核心技巧控制在3-5个，保证指令清晰不打架。
6.2 从技巧到框架：建立自己的提示词体系
在用熟单个技巧之后，建议逐步建立属于自己的提示词体系。体系化的好处是可以沉淀成团队资产，让协作更高效。
我的体系分三层： 第一层是基础组件，就是那十个技巧，像乐高积木一样可以随意拼装。 第二层是场景模板，就是把常用场景组合好的成品，比如提案模板、分析模板、写作模板。 第三层是方法论，包括四步拆解法、适配调试三步法、效果评估维度这些带判断逻辑的东西。
基础组件解决“用什么”，场景模板解决“怎么用”，方法论解决“为什么这样用”。三层搭起来之后，任何新需求出现，都能在几分钟内组装出一套合适的提示词，而不是每次从零开始摸索。
我个人很建议你用文档或Notion把你常用的提示词记下来，持续迭代。这个资料库会比任何一种付费工具都更贴合你的实际需求，复利效应非常明显。
6.3 提示词与外部工具联动
把提示词嵌入工作流，能发挥更大的价值。几个常见的联动场景：
用浏览器插件读取网页内容，把内容直接喂给模型做总结，省去复制粘贴环节。处理长文本时，可以先用脚本做文本切割，分段调用模型，再拼接结果。用自动化工具定时触发模型跑日报和周报，输出固定格式报告，配合提示词模板几乎不用人工干预。
我自己最常用的一个联动是把提示词接到自动化流程里。每天早上定时让模型跑一遍数据日报，用固定的分析模板输出业务归因和风险预警，再自动推送到工作群。这就把提示词从一次性工具变成了持续运转的业务模块。
搭建这套联动流程时可以先把范围收缩到“最耗你时间的一个文本任务”上。比如你每天要写汇总邮件，那就把这件事做成“模板+自动化”，先尝到甜头，再逐步扩大覆盖面。步子迈太大会翻车。
最后的几点实操心得
提示词工程说到底是一个熟能生巧的活，写得越多，对模型行为的感知就越敏锐。我做了这么久，最大的体会是：不要想着憋一个大招一次搞定所有需求，而是用一套小而精的组件，快速组合应对各种场景。遇到输出不如意，先别急着否定提示词这条路，按排查清单逐项试，多半能解决。还有一个小技巧收尾分享：每写好一个提示词，顺手把版本和效果记录在文档里，一个月后回头看，你手头积累出的模板库会让你自己都惊讶。
