写提示词这件事，我前后琢磨了快两年。从最早把大模型当搜索引擎用，问一句答一句，到现在能稳定地产出一套能复用的高质量指令，中间踩过的坑一点不比写业务代码少。今天不聊虚的，直接把我一直在用的4类提示词风格、每类的适用场景、完整模板和改写思路全部摊开，你拿去就能改造成自己的版本。这篇文章适合所有被"AI回答得不像人话"困扰的人——不管你是做内容、做产品、做编程还是做运营，只要你想让AI输出的质量从"能看"变成"能用"，这篇都值得读完。
1. 先搞清楚提示词到底在解决什么问题
1.1 提示词不是聊天，是任务说明书
很多人对提示词有个误解，觉得它就是把需求说得更详细一点。实际上，提示词的本质是一份结构化的任务说明书。你想想看，如果你请一个外包同事帮忙写报告，你会怎么说？你肯定不会只说一句"写个报告"，而是会告诉他：你是谁、给谁看、什么格式、多少字、侧重什么、别写什么、什么时候要。这些信息，AI一个都不缺，但它无法替你脑补。模型只会根据你给出的文字去做概率预测，你说得越模糊，它就越倾向于给出"最大众化"的答案——也就是那种正确的废话。
我刚开始写提示词的时候，最爱犯的毛病就是"高度概括"。比如让AI写一个产品介绍，我就写"帮我写个产品介绍"，结果出来的内容全是"本产品采用先进技术、为用户提供优质服务"这种套话。问题不在模型，在我。模型不是傻，是我根本没告诉它产品是干嘛的、面向谁、要什么语气、要什么结构。
1.2 底层逻辑：模型怎么理解你的话
要写出好提示词，得先明白一件事：大模型的运作机制不是"查找答案"，而是"生成下一个最可能的词"。你给的一句话，会激活模型内部某种概率分布，它顺着这个分布一路往下生成。这就解释了为什么提示词里的每个字都重要——不是因为它"懂"你的字面意思，而是因为你的用词会把它引向不同的语义空间。
举个最直观的例子。同样一个任务："写一段关于咖啡的描述"，你在提示词里写"咖啡的香气"和"咖啡的苦涩"，模型生成的内容完全是两个方向。前者会偏向描述花香、果酸、焦糖甜，后者会偏向描述烟熏味、苦度、喉韵。你根本没说要写什么，但关键词已经悄悄定义了整个输出方向。这就是提示词工程的底层逻辑：你不是在命令AI，你是在用语言引导一个概率模型往你想要的方向走。理解了这一点，你再看下面那4类提示词风格，就会明白每一类其实都是在用不同的方式做同一件事——缩小模型的输出空间。
2. 高质量提示词的通用骨架
2.1 五要素框架：角色、任务、上下文、约束、输出格式
我写提示词这两年的最大收获，就是总结出了五要素框架。凡是复杂的、要求高的提示词，不管什么风格，底层都离不开这五块：
| 要素 | 作用 | 典型写法 |
|---|---|---|
| 角色 | 限定回答视角和语言风格 | "你是一位有10年经验的资深产品经理" |
| 任务 | 明确你要它做什么 | "请分析以下用户反馈，归纳出产品问题" |
| 上下文 | 提供必要背景信息 | "我们的产品是一款面向中小企业的报销SaaS" |
| 约束 | 划定不可逾越的边界 | "不要编造数据，不确定的地方写'待确认'" |
| 输出格式 | 规定结果的呈现形式 | "用表格输出，包含'问题类型''严重程度''建议'三列" |
这五个要素，不一定每次都全用，但一个完整的高质量提示词至少应该覆盖其中三到四个。你去看看网上那些所谓的"万能提示词模板"，拆开之后全是这五要素的排列组合。区别只在于，高手知道什么时候该强化哪个要素。
为什么角色这么重要？因为模型在生成时会对"你让它扮演的人"进行风格对齐。你说"你是一位严谨的审计师"，它输出的内容会明显比"你是一个普通人"更注重数据、口径和风险提示。这不是玄学，是模型训练时就把角色的语言特征内化进了参数里。
2.2 从模糊到精确：把需求翻译成指令
我之前带过几个同事写提示词，发现他们最大的问题不是不会写，而是不会"翻译"。脑子里有需求，嘴里说出来却全是模糊词。比如"写得好一点""更专业一点""高大上一点"，这些话对AI来说就等于没说。什么叫"好"？什么叫"专业"？模型只能猜。
翻译的方法其实很简单：把每个模糊词都问自己一句"具体是什么"。举几个我常用的翻译对照：
- "写得好一点" → "使用短句，多用数据支撑，逻辑按'问题-原因-方案'展开"
- "更专业一点" → "使用行业术语，如ROI、转化率、流失率，避免口语化表达"
- "有创造力一点" → "提供3个完全不同方向的方案，每个方案用一句话概括核心思路"
- "内容全面一点" → "覆盖背景、现状、问题、分析、方案、风险、预期效果7个部分"
这套翻译习惯养成了之后，你会发现写提示词的思路彻底变了。你不再是在"要求AI"，而是在"设计一份精确的生产参数"。就像做饭——你说"咸一点"，厨师只能凭感觉；你说"每份菜加2克盐"，结果就是稳定的。提示词也一样，精确的指令带来稳定的输出，模糊的指令只能抽奖。
3. 4类提示词风格拆解与实战示例
3.1 结构化指令型提示词
第一类是我日常使用频率最高的：结构化指令型。它的特点是把提示词写成一份格式清晰的"说明书"，用分段、列表、括号等方式把信息组织好。这种风格适合逻辑明确的场景，比如写周报、做总结、写邮件、生成代码注释、处理数据整理。
给你看我一个实际在用的完整示例，这是拿来做竞品分析摘要的：
你是一位资深市场分析师，请基于以下竞品信息，输出一份结构化的竞品分析摘要。 【任务】 - 提取该竞品的主打功能点 - 分析其目标用户群体 - 对比本产品与竞品的差异 【竞品信息】 （这里粘贴竞品官网或产品介绍的文字） 【本产品信息】 （这里粘贴自己产品的简介） 【约束】 - 只依据提供的信息，不额外编造 - 每条分析不超过50字 - 不确定的信息标注"待核实" 【输出格式】 | 维度 | 竞品情况 | 与本产品差异 | 建议动作 |这个提示词的特点，是每个模块都用明确的标记词分开，模型能非常清楚地知道"哪段话是对应哪个任务的"。实测下来，比一段话连着写完的提示词，输出质量和稳定性都要高不少。原因是分段降低了模型的解析负担，它不需要在一大段话里自己找重点。
结构化指令型的核心诀窍，是善用"标签"。你可以在提示词里用【任务】【背景】【约束】这类中文标签，也可以用XML风格的<task>标签。两种我都试过，中文标签在中文场景下效果好一些，因为模型对中文标签的识别更自然。但要注意一个细节：标签要统一，不要一会用"【任务】"一会用"任务："，模型虽然笨，但一致性确实能减少输出偏差。
3.2 分步拆解型提示词
第二类是分步拆解型。它是把一个大任务拆成多个小步骤，让AI一步一步来做，每一步都基于前一步的结果。这种风格最适合复杂任务，比如写长文、写代码、做方案策划、做研究分析。
为什么分步有效？因为大模型有一个"注意力衰减"的问题。你让它一口气写一篇5000字的文章，它写到后面经常忘记前面说了什么，或者越写越偏。但如果按步骤来——先列大纲、再逐段展开、最后统一润色——每一步的上下文都在可控范围内，质量就稳得多。
我用得最熟的一个分步模板是写长文：
请按以下步骤协助我撰写一篇关于[主题]的文章： 第一步：基于以下信息，输出文章的大纲，包含5-7个二级章节，每个章节用一句话说明核心内容。 （这里粘贴你的素材、背景、要求） 第二步：根据大纲，先写「引言」部分，200字左右，要求直接点明主题、说明读者能获得什么价值。 第三步：根据大纲，依次写出第1、2章节的正文，每节300字以上，保持段落间逻辑连贯。 第四步：继续写第3、4、5章节，注意与上一步内容衔接。 第五步：检查全文，输出一个「修改建议清单」，指出逻辑断裂、内容重复、表述不通顺的地方。这个模板的精髓是"任务边界控制"。每一步只让AI做一件明确的事，不让它一次做完。你甚至可以每跑完一步就把结果贴回对话里，再发下一步的指令——我管这个叫"手动分步"，虽然麻烦一点，但效果最好，因为你可以在关键节点人工干预，防止跑偏。
分步拆解型还有一个变体叫"渐进式追问"，适合搞研究和分析。你可以先让AI给出分析框架，然后针对框架里的每一点追问、让它深入解释，最后再要求它综合所有讨论输出结论。这种方式比一次性让它输出完整分析报告靠谱得多，因为每一步都经过了你的审视和纠偏。
3.3 示例驱动型提示词
第三类，示例驱动型。这个风格的核心理念是"少说教，多给例子"。与其用一堆形容词告诉AI你要什么样的输出，不如直接给它一两个你看得上的例子，让它照着样子来。模型对模式的模仿能力，比对抽象指令的理解能力要强得多——这是我在实际使用中反复验证过的。
最常见的应用场景是改写、翻译、风格迁移。比如我想让AI把一段技术文档改写成通俗易懂的公众号风格，我不会说"请用通俗语言改写"，而是会给它一个具体的参考：
请参照下面的风格改写我提供的文章。 参考示例（输出风格样例）： 原文：该产品基于微服务架构，具备高可用、易扩展、故障隔离等特点。 改写：这个产品把一个大系统拆成了一堆小服务，每个小服务各干各的活，一个挂了不影响其他，整体特别抗造。 待改写的文章： （粘贴你的文章内容） 要求： - 保持专业准确，但用口语化方式表达 - 比喻优先选择生活场景，避免专业术语 - 段落结构与原文保持一致这里需要注意的是，示例驱动并不等于"我给了一个例子它就复制这个例子"。它学的不是内容，是"样子"——句子的节奏、用词的风格、信息呈现的方式。所以选示例的时候，一定要选那些"气质"符合你需求的内容，而不是随便找一段。
还有一种用法是"正反示例同时给"。你想让AI避开某些坑，除了告诉它"不要做什么"，更好的办法是给它一个"反例"，然后明确说"不要像这个例子这样写"。比如你要AI写专业报告，你可以说"避免以下写法：'这个问题需要我们高度重视，积极应对，采取有效措施'"。模型看到反例，会明确避开这个风格区间，比单纯说"不要口语化"管用得多。
3.4 对话迭代型提示词
第四类是对话迭代型。这类提示词不是一条写完的，而是靠多轮对话逐步逼近目标。它的适用场景是最广的——任何你"一下子说不清想要什么"的任务，都适合用对话迭代。
我的习惯是"先用一句话起手，再靠追问收敛"。比如我想让AI帮忙设计一个产品slogan，我不会一上来就要求"给10个高质量的slogan"。我会先说"请为我们的产品想一个slogan，产品是一款帮助打工人记录工作时间的工具，目标用户是经常忘记打卡的上班族"，然后看它给出什么。通常第一轮的结果会比较平庸，但没关系，这就是迭代的起点。
接下来我会根据它的输出，不断加限定词：
- "第2个太文艺了，换成更直白的"
- "再加一点幽默感，参考'XX'这个品牌的语气"
- "字数控制在10字以内，最好押韵"
- "把'记录时间'这个概念换成'把时间花在哪里'的视角"
每一轮都在缩小范围，模型输出的质量也一轮比一轮高。这个方法特别适合创意类、文案类的任务，因为这类任务"好"的标准是主观的，你没法一次性描述清楚什么叫"好"，但你能在看见具体输出后立刻判断"这不对"或"这接近了"。对话迭代实际上是在用你自己的审美做筛选器，一轮一轮筛出你想要的东西。
对话迭代里最重要的一条经验：不要对第一轮输出失望，也不要立刻换一个新任务重来。AI的输出即使不满意，也是有用的——它告诉你"这个方向不对"。你要做的是把"不对"翻译成具体的修正指令，而不是笼统地说"再写一次"。笼统的重来一次，大概率还是同一个结果。
4. 实操：从一段糟糕提示词到合格提示词的完整改造
4.1 改造前的问题诊断
理论讲再多，不如来一次真刀真枪的改造演示。我给你看一个我工作中真实遇到的例子，是当时一个同事写的提示词，任务是让AI帮他写一封客户道歉邮件：
帮我写一封道歉邮件，客户对我们的延迟交付很不满意，我们想挽回这个客户，请写得诚恳一点。这段提示词的问题，用五要素一照就全暴露了：没有角色设定，没有客户背景，没有告知延迟原因，没有说清楚"诚恳"具体是什么样子，连邮件的格式和篇幅都没有。这样的提示词，模型只能凭"道歉邮件"这个词去搜刮最常见的一套模板，出来的东西大概率是"亲爱的客户，对于我们的延迟，我们深感抱歉。我们非常重视您……"这种人人都会写的空话。
我拿到之后并没有直接帮他改好，而是拉着他拆了一遍。这里我想强调一个观点：改提示词的过程，本质上是逼自己把需求想清楚的过程。很多人写不好提示词，不是不会写，而是脑子里压根没想明白自己要什么。提示词只是把这个"没想明白"暴露出来了而已。
4.2 逐段改造的完整过程
我们按五要素来逐段补全。先加角色和任务背景：
你是一位客户关系管理专家，擅长处理项目延期后的客户安抚与关系修复。请根据以下背景撰写一封道歉邮件。接着补上下文。同事说客户跟他们合作三年了，这次是因为上游供应商出了问题导致延期，客户那边也比较着急：
【背景】我们与客户已合作三年，这次是因为上游核心部件供应商发生突发性停产，导致交期延误了两周。客户是项目制采购，延期直接影响了他自己客户的交付，所以情绪比较激动。我方已确认新的交付时间：下周一。再加约束和输出格式。我们商量之后，明确了语气要"专业而不卑微"、要给出明确补救措施、不要找借口、结尾要给客户选择的主动权：
【约束】 - 语气专业、诚恳，但不过度卑微 - 承认问题，不找借口，但简要说明客观原因 - 明确给出补救措施和新交付时间 - 结尾给客户一个选择权，例如提供替换方案或补偿方案 【输出格式】 - 邮件正文保持在250字以内 - 主题行一句话概括核心信息 - 分三段：表达歉意与原因说明、补救措施与时间承诺、后续保障与选择权改完之后，同样一个任务，输出的邮件完全变了一个档次，客户收到后的反馈也明显好转。这不是因为我写的提示词有什么魔力，而是因为我把所有模型需要的信息都喂给了它，它的概率分布被精准地引导到了"有经验的客户关系专家"这个空间里。
改造过程里有一个细节我要特别提一下：约束不要超过4条。我踩过这个坑——曾经一口气列了8条约束，结果模型为了同时满足所有约束，输出的内容特别别扭，像是在戴着镣铐跳舞。约束要挑最重要的几条，砍掉那些"有了更好、没有也无妨"的。模型不是机器，它没有能力做多目标优化，约束太多反而互相打架。
5. 常见问题与排查技巧实录
5.1 输出不稳定、每次结果都不一样
这是我被问得最多的问题。首先要明确：大模型的生成天然带有随机性，同样的提示词多次执行，结果略有差异是正常的，除非你把温度参数调到最低。但如果你发现差异大到"面目全非"，那通常不是随机性问题，而是你的提示词里有歧义区。
排查思路是：把你的提示词里每一个"形容词"都找出来，看它是否有明确指向。比如"写一封有感染力的文案"，什么叫"有感染力"？模型的理解可能和你完全不一样。解决方案是把它具体化："使用设问句开头，多用短句，每段不超过3行，在结尾用一句总结性金句"。
另一个常见原因是你让模型一次完成的任务太多。同时要求"分析市场+输出方案+写执行计划+给风险评估"，模型很可能为了完成任务而"糊弄过去"。解决方法是切分成多条提示词，或使用上面说的分步拆解型。
5.2 模型"不听话"，老是在输出里加戏
你明明让它"只输出表格"，它偏要在表格前面加一段说明；你让它"不要解释"，它非要先来一段"好的，我来帮您分析"。这个问题的根源在于，你没有给模型一个明确的开场指令。模型的默认行为是"礼貌性回应"，你要用指令覆盖掉这个默认行为。
我的做法是在提示词开头就写清楚"直接输出结果，不要附加任何说明、不要重复问题、不要添加礼貌性开场白"。另外，"输出格式"这一要素要写得非常具体，像"严格按以下格式输出，不得增减篇章"这样带强制语气的表述，实测比温和的"请按照格式输出"有效得多。
还有一种加戏的原因是提示词里的上下文信息太多，模型在生成时把不相关的内容也编进了输出。这时候你要在约束里加一句"只使用以下信息中的内容，不要引入外部知识"。
5.3 提示词调优的快速排查清单
我把这两年的排查经验整理成了一个清单，每次提示词效果不好，就按这个顺序过一遍：
| 排查项 | 检查方法 | 常见修复 |
|---|---|---|
| 任务是否明确 | 一句话能说清"让它做什么"吗 | 补全任务描述，用动词开头 |
| 信息是否够 | 它需要知道的背景都给了吗 | 按五要素逐项核对 |
| 是否一次任务太多 | 拆成3个以上的并列要求了吗 | 拆分成多条提示词或分步骤 |
| 约束是否冲突 | 两条约束是否可能互相矛盾 | 删掉次要约束，只留最关键的 |
| 示例是否缺失 | 输出风格无法用语言描述清楚吗 | 加一个参考示例，或给一个反例 |
| 输出格式是否具体 | 告诉它用什么结构呈现了吗 | 明确列名、字数、表格列头 |
这个清单看起来简单，但真正每次都过一遍的人不多。多数人写提示词效果不好，第一反应是换一个模型或者换一个工具，其实问题大概率出在自己的提示词上。我这两年最大的体会是：提示词工程不是一个"技巧活儿"，而是一个"思考活儿"，它逼着你去把自己的需求、边界、偏好全部想明白。
5.4 关于风格搭配的几条私货
最后分享几个我实际使用中总结出来的"风格搭配"心得。
结构化指令型最适合做"生产一次性交付物"的任务，比如写邮件、写报告、写代码注释，它有最高的稳定性和可控性。分步拆解型适合长内容创作，但代价是需要多次交互，不适合对时效要求高的场景。示例驱动型适合风格迁移类任务，它的前提是你手上有一个"好例子"——所以平时看到好的文案、好的报告、好的代码，我都会收集起来，当作示例素材库。对话迭代型最适合探索性的任务，比如头脑风暴、起名、设计slogan，它的上限很高但方差也大，需要你有耐心。
实际上用得最顺手的组合是"结构化骨架+示例驱动"。先用五要素把任务的边界定清楚，再塞一个参考示例告诉它风格往哪走。这两个加在一起，输出质量基本能满足我90%以上的需求。而分步拆解型和对话迭代型，则是在这个基础上面对更复杂和更模糊任务时的延伸打法。
多说一句关于网上那些"提示词泄露"的热门话题。我见过很多分享出来的"高级提示词"，拆开看核心也就是我刚才讲的这些原则，没什么神秘的地方。真正有价值的不是某一句魔法般的措辞，而是你对自己需求的理解程度。提示词写得好的那些人，往往是需求想得最清楚的那些人——这个规律，在我接触过的所有写提示词高手里，还没见过例外。
