同一个问题换个问法,AI 的回答质量天差地别——这种不稳定性,本质上反映的是提示词质量。入门篇讲了"怎么问清楚",这篇讲进阶:让输出从"看运气"变成"可复现"的五个硬技巧,以及它们背后的原理。
一、思维链:让推理过程显形
最强大的单项技巧。在提示词里加一句"请一步一步思考,先分析再给结论",或直接在示例中展示你期望的推理步骤,数学、逻辑、多步骤分析类任务的准确率会有可感知的提升——谷歌大脑 2022 年的研究显示,该类引导在推理基准上提升最高可达 40%。
原理是利用了模型逐词生成的特点:把推理过程写出来,每一步的概率错误会被后续步骤"兜住",而不是一口气蒙最终答案。

二、少样本示例:给例子胜过下定义
需要固定输出格式时,展示 1–3 个输入输出示例,永远比用文字描述格式更可靠。模型会对你的示例做模式匹配,而不是费劲解读你的散文:
输入:"这产品两天就坏了"
输出:{"情绪":"负面","类别":"质量","紧急度":"高"}
输入:"很好用,非常满意"
输出:{"情绪":"正面","类别":"满意度","紧急度":"低"}
输入:"{{用户评价}}"
输出:
示例不需要真实数据,标注清楚的假示例同样有效。分类、打标、格式转换类任务,这是第一选择。
三、深度角色:三层设定法
"你是一个资深网络安全顾问"确实有用,但机制被普遍误解——它不是人格扮演,而是激活相关知识库和专业标准。所以角色越具体越有效,空泛的"你是世界顶级营销专家"反而输出平庸。
试试三层次角色设定:
从一句话到三层角色
- 身份层:谁——"有十年经验的数据分析师,专攻零售业"
- 思维层:怎么想——"习惯先质疑数据口径,再看趋势"
- 表达层:怎么说——"结论先行,用生意语言不用技术黑话"
四、约束框架:明确"不要什么"
最被低估的技巧:显式定义输出不包含什么。"写一段产品描述,禁用'创新''领先''卓越',且不能以产品名开头"——加上负面约束后,文案质量的提升往往比正面要求更明显,对消除"AI 腔"尤其有效。
同理,受众要具体:"假设听众没有技术背景,用日常物品打比方"比"讲得简单点"稳定得多。
五、结构化顺序:上下文 → 任务 → 约束 → 格式
复杂任务按专业简报的结构组织提示词:
- 上下文:在做什么、给谁、目标是什么
- 任务:具体要产出什么
- 约束:必须包含/必须排除、长度、语气
- 格式:输出的精确结构
模型对首尾信息注意力更高("迷失在中间"效应),最重要的约束放开头或结尾;无关信息混在一起会稀释焦点。复杂任务拆成多轮:第一轮出框架,第二轮补细节。
六、常见错误速查
| 错误 | 修正 |
|---|---|
| 任务描述模糊 | 写清楚 exact 要什么产出,而不是"帮我弄一下" |
| 不指定格式 | 表格、JSON、分级列表,先说清楚 |
| 一个提示词塞太多 | 拆成多步骤,或用多轮对话 |
| 没有示例 | 固定格式任务至少给 2 个示例 |
| 同样的错犯三次还改提示词 | 问题多半在别处——模型能力边界、缺资料(该用检索)、或该用工具而非对话 |
提示词工程的进阶不是学更多"咒语",而是理解模型的工作方式:思维链兜住推理、少样本借力上下文学习、深度角色激活语料、约束消除噪声。最好的提示词工程师,是最懂模型原理的人。
来源与参考
本文整理编译自以下公开网络资料,版权归原作者及原站点所有:
LEAVE A LITTLE THOUGHT
聊一聊 0