企业官网建设流程全解析

写提示词这件事，我琢磨了差不多两年。最开始跟绝大多数人一样，觉得“把需求说清楚”就行了，后来在反复打磨同一批任务时发现，同样一个问题，换一种问法，AI 给出的结果质量能差出好几个量级。这不是玄学，也不是靠运气，而是有一套可以系统复制的方法。这篇东西我把平时积累的 10 个能立刻上手的提示词技巧整理出来，全部配有可直接复制的模板，涉及任务拆解、格式控制、角色设定、迭代调优这几个最常见的实战场景。不管你是刚开始接触 AI 工具的新手，还是已经被“AI 回答太泛、太虚、不听话”折磨过一阵子的老用户，这份清单都能直接拿去用。

1. 角色设定：一句话让 AI 进入“专业状态”

1.1 为什么角色设定比你想象中更重要

很多人用 AI 的时候，给它的身份是模糊的。你问“帮我写一段产品介绍”，它默认会用一种“通用营销腔”回你——四平八稳，什么行业都能套，什么行业都不出彩。但如果你先告诉它“你是一名有 8 年消费电子行业经验的产品经理”，它的措辞、关注点、信息密度会立刻不一样。原因在于，大语言模型在训练时接触了大量带身份标签的文本，给它一个明确角色，相当于激活了与这个角色相关的知识分布。简单说，你把它当专家，它才可能给你专家的回答；你把它当打杂的，它就给你打杂水平的内容。

我见过很多教程说“角色设定就是加一句‘你是专家’”，这其实只做对了一半。真正有效的是把角色的经验年限、行业、立场、性格一并交代清楚。举个例子，你让 AI“扮演 HR”，它给出的面试建议大概率是教科书式的；但你让它“扮演一位在互联网大厂做了 6 年招聘、尤其擅长识别简历水分和压力面试的 HR”，它给的提问话术、考察点、风险提示就会具体很多。因为角色越具体，模型能调用的知识越精准，输出就越不会飘。

1.2 角色设定的标准模板与实测案例

我平时用的角色设定模板长这样：

你是一名 [具体身份 + 经验年限 + 行业/领域] 的 [职业角色]，擅长 [1-2 个核心能力]。请基于以下背景，完成 [具体任务]。

背景信息：[把关键约束、目标读者、使用场景写清楚]

任务要求：[要做什么、不要做什么、交付形式]

拿真实场景测试一下。我让 AI 帮忙写一份“智能门锁的用户说明书摘要”，用两种提示词对比：

• 普通版：“帮我写一个智能门锁的说明书摘要。”
• 角色版：“你是一名有 10 年智能家居产品文档撰写经验的资深技术编辑，擅长把复杂的安装流程和联网配置讲得让 60 岁老人也能看懂。请写一份智能门锁的说明书摘要，重点突出安装注意事项、首次配网步骤、应急开锁方式，语言要口语化，避免术语堆砌。”

结果差异非常明显。普通版给的是“产品支持指纹、密码、钥匙三种开锁方式”这种干巴巴的功能清单；角色版则直接给出了“安装前先检查门厚是否在 40mm-80mm 之间”“配网时手机和门锁距离不要超过 2 米”“遇到电池耗尽又忘记密码的情况，先找到底部隐藏的 Type-C 应急供电口”这类有真正使用价值的内容。同一个模型，仅仅是开头加了身份设定，产出质量天差地别。

实操心得：角色设定放到提示词最前面，优于放到中间或末尾。模型在生成时对靠前内容的注意力权重更高，放在开头更容易让后续所有输出都带上有色眼镜。另外，不要一次堆太多角色属性，三到五个关键标签就够，多了模型反而会“选择困难”，输出四不像。

2. 任务拆解：把大问题切成 AI 不会糊弄的小步骤

2.1 AI 为什么会“偷懒”？根源是任务颗粒度太大

你有没有遇到过这种情况：让 AI“帮我分析一下当前新能源市场的竞争格局”，它哗啦啦给你写了一千多字，看着好像什么都说了，细看全是正确的废话——没有数据、没有对比、没有观点。这不完全是模型的错，而是你给的任务范围太大了。模型的目标是生成“看起来合理的文本”，在任务边界模糊时，它倾向于用平均值来填充内容，而不是提供深度洞察。

解决思路其实不复杂：把一个大任务拆成多个小任务，每个小任务有明确的输入、处理逻辑和输出形式。这还是认知心理学里的“工作记忆”限制——一次性交代太多维度，模型也处理不过来。你让它“写一份行业分析报告”，不如让它先“列出三个关键分析维度”，再逐个维度展开，最后再汇总成稿。每一步它都能专心做好一件事，最终质量自然上去。

2.2 拆解模板：一次性给 AI 建好“流水线”

这里给你一个可以直接套用的拆解模板，我称它为“三步流水线法”：

任务：最终目标是 [描述你要的最终成果]。

第一步：请先输出一份完成该任务所需的大纲，包含 [数量] 个关键模块；

第二步：针对第一步大纲中的第 [N] 个模块，详细展开 [具体产出要求]；

第三步：检查上面两步的结果，指出其中逻辑不连贯、信息缺失或表述不准确的地方，并给出修改版。

拿“写产品发布会的媒体邀请函”举例。如果你直接说“写一份媒体邀请函”，它写出来的东西确实能看，但不会有针对性和传播点。用拆解模板，我会这样下指令：

任务：最终目标是写一份面向科技媒体的新品发布会邀请函。

第一步：请先列出这份邀请函应包含的 5 个核心版块；

第二步：重点展开“产品亮点”部分，要求结合当前行业痛点，用对比方式说明这款产品解决了什么问题；

第三步：通读全文，检查是否有大词空话、信息重复，将修改后的完整版本输出。

拆解之后，模型每一步输出的内容我都能检查、纠偏，不会出现“生成了一大篇才发现方向错了”的尴尬。这也提示了一个很重要的操作习惯：不要把提示词工程理解成“一次成型”，它更像是一个“脚手架”，你先搭好骨架，再让 AI 在骨架上添肉。

3. 少样本示例：给一个例子，胜过说十句形容词

3.1 模型靠“概率”生成内容，而示例能锁定风格和结构

接着上面的话题，如果你跟我一样，曾经试图用“请用活泼一点的语气写”“要有网感”“要高大上”这类描述来让 AI 调整风格，你大概率已经发现了：这些抽象形容词，模型其实很难稳定理解。同一个“活泼”，它可能理解为加一堆感叹号和表情包，跟你脑子里想的“睿智中带点小幽默”根本不是一回事。这时候，少样本学习（Few-shot Learning）就派上用场了——你在提示词里放一个或多个“输入→期望输出”的例子，让模型照着例子学。

这个原理不复杂。大模型本质上是在做“下一个词”的概率预测，你给的示例等于为它画了一条路径，它的生成方向会被强烈地“锚定”在这条路径附近。比起你花大段文字描述“我想要什么风格”，直接甩一个“就像这样，别说废话、每个要点不超过两行”的例子，效率高得多。

3.2 正侧面对比模板：快速锁定“要什么”和“不要什么”

我的常规操作是给一组正反例。正面例子告诉模型“这就是我要的效果”，反面例子告诉它“千万别写成这样”。模板长这样：

任务：请根据输入文本，提取其中的 [目标信息]，并按指定格式输出。

正面示例： 输入：”本小区将于本周六上午 9 点到下午 5 点进行电力检修，期间电梯暂停使用，7 层以上住户请提前做好出行安排。” 输出：事项：电力检修 | 时间：本周六 9:00-17:00 | 影响：电梯暂停 | 提示：7 层以上住户提前安排出行

反面示例（不要这么做）： 输出：小区要停电了，大家注意一下，周六电梯不能用，高层请小心。

请参照正面示例的格式和处理逻辑，对下面的内容进行提取： [输入新文本]

这里的关键是，正面示例定义了输出的格式、信息颗粒度和语言风格，反面示例则划清了底线，让模型知道“口语化模糊表达”是错的。经过这样一轮示范之后，模型在新输入上的表现会非常稳定。

我在处理大量客户留言分类、评论情感分析时，几乎每次都靠这招。只需要在第一次写提示词的时候多花五分钟搭好示例，后面几十上百条数据都能稳定处理，不用反复改稿。

4. 范围约束：用“白名单”思维锁定答案边界

4.1 回答太泛是因为没有排除项

AI 的一个出厂毛病是“过度生成”：你问它一个问题，它总想覆盖所有可能性，导致每个点都浅尝辄止。比如说“什么是好的用户调研”，它能给你列 20 条原则，条条都正确，但条条都用不上。问题就在于你只给了它一个任务领域，却没有给它划定范围。边界不够清晰，模型就会用更大的回答空间来“试错”，试图覆盖你可能的期待。

解决这类问题，最有效的不是“请你聚焦一点”这种笼统请求，而是做一个类似名单的东西：允许涉及的范围、禁止涉及的内容、必须包含的时间范围、必须关注的用户群体，全都明确写出来。这就是我常说的白名单思维——不是告诉模型“别跑题”，而是直接告诉它“领域只包括这三点”。

4.2 边界冻结模板：让 AI 学会“克制”

这里是我常用的一组范围约束模板：

请基于以下限定范围回答 [核心问题]：

必须覆盖的内容：

1. [必写项一]
2. [必写项二]
3. [必写项三]

不要涉及的内容：

• [排除项一]
• [排除项二]

回答长度：[比如 300 字以内 / 5 个要点以内]

受众水平：[比如 完全没有编程基础的小白]

举个例子，我让人工智能写一份“3 月份小红书宠物账号运营计划”，如果不限范围，它会写“做好内容定位、提高互动、多平台分发”这些套话。用了约束模板后，提示词变成：

请基于以下限定范围回答运营计划： 必须覆盖：

1. 春季换毛期的洗护选品内容方向
2. 每周 3 更的选题日历
3. 针对猫咪视频完播率低的优化手段 不要涉及：

• 抖音、B站等其他平台策略
• 付费投流（预算未定了） 回答长度：分 3 个版块、总共 600 字以内。

输出内容立刻变得很具体，有选题、有节奏、有执行细节，可以直接往飞书文档里放。把约束写清楚，AI 才能把力气用在你想让它用的地方，而不是做无用功。

避坑提醒：范围约束不是越多越好。如果你列了十个“不要涉及”，模型的注意力会被大量分散，反而影响主任务的完成度。一般来说，必覆盖项 2-5 个、排除项 1-3 个是比较合理的数据。

5. 思维链：让 AI 先推理再作答，减少“一眼假”

5.1 让 AI“说人话”——把隐藏的推理过程显性化

如果你让 AI 直接回答一道需要综合分析的问题，它会先跳过分析、直接给结论，这个结论往往看起来像那么回事，但经不起推敲。原因很现实：模型其实是有推理能力的，只是在你没有要求的情况下，它倾向于用最短路径生成答案，省掉中间思考环节。这就好比一个数学学霸做题，他心算能力很强，直接写了答案，但没写步骤——你看到的就是一个来路不明的结果。

思维链（Chain of Thought）提示词的核心，就是强制要求模型“先把推理过程写出来，再给出最终答案”。这个技巧在处理逻辑题、方案评估、数据对比、利弊权衡类任务时特别有用。它不需要你额外懂什么技术原理，只需要在提示词里加一句话：“请一步一步思考，先列出判断依据，再给出结论。”

5.2 结构化推理模板：把“因为所以”写进提示词

我的标准模板是：

请按以下步骤处理 [问题]：

1. 列出与问题相关的所有关键事实和约束；
2. 针对每一个候选方案/答案，分析其优势和劣势；
3. 根据上述分析，给出你的最终建议，并说明理由。

拿一个真实案例来看。我想让 AI 帮我在两种创业方案里选一个——做社区团购还是做宠物上门服务。直接问，它大概率会说“两个都有前景，建议结合实际情况”。用思维链模板，它的回答变成了：

• 关键事实：社区团购竞争激烈、毛利率偏低，但现金流好；宠物上门服务需求增长快、毛利率高，但极度依赖人员技能和管理规范。
• 方案对比：社区团购适合有供应链资源的人；宠物上门服务适合有线下服务团队管理经验的人。
• 结论：如果你没有供应链积累，建议选宠物上门服务，并且把服务标准做重，形成壁垒。

这个答案的颗粒度完全不一样了，因为它被迫走了一遍分析路径。还有一个小技巧：用“请先不要给结论，先把你的分析过程完整写出来”这种句式，阻止它提前下结论。让子弹飞一会儿，推理质量会显著提升。

6. 格式指定：用模板框住输出，告别“一坨文字”

6.1 为什么你总是得到“没排版”的长篇大论

这是很多人的痛点：明明只要 200 字摘要，AI 偏偏给你写 800 字；明明想要一个对比表格，它却给你两个自然段。跟人一样，模型在默认情况下会回到它的“习惯输出”——也就是训练数据中最常见的自然段落形式。你不指定格式，它就用默认格式。

格式指定应该是提示词里最机械、也最实用的一招。甚至不需要什么逻辑，只需要把“你要什么格式”直白地写出来：用表格、用项目符号、分三级标题、每项不超过 20 字、结尾给一个结论区块。它对结果质量的提升是立竿见影的，而且完全可复制。

6.2 常用格式指令速查表

我在日常工作中整理了一份格式速查表，按需加在提示词末尾即可：

给你们看一个我实际用过的场景。让 AI 总结一份 20 页行业研究报告，我给出的提示词是：

请阅读以下报告内容，用表格输出核心信息。表格列包括：核心观点、支撑数据（如果有）、对创业者的启示。每个核心观点用一行总结，不超过 50 字。

这样得到的答案可以直接贴进 PPT，不需要再二次加工。格式指定还有一个隐藏的好处：它会倒逼模型在填充内容时变得更简洁精准，因为表格和列表没有给它写废话的空间。你也许会觉得给 AI“规定格式”是限制了它的发挥，但事实证明，限制恰恰是产出可用内容的前提。

7. 上下文管理：喂给 AI 什么，它就长成什么样

7.1 别让 AI“断片”：上下文窗口里的信息管理术

LLM 的“记忆”和人类不一样，它不记得你上个星期跟它聊过什么，也不记得你发在群里的资料。每一次对话，它只能看到当前上下文窗口里的内容。所以想让 AI 回答得更准确，就一定要把解决这个问题所需的背景信息、前置条件、参考材料主动放进提示词里。

我给朋友做提示词咨询时，见过太多人“把 AI 当成了合作伙伴”，默认它应该记得之前的讨论。实际上，只要聊天窗口一关，甚至对话内容一会儿就被新内容覆盖，它就全忘了。正确的做法是：把你认为 AI 必须知道的信息，都当作“上下文”显式地喂给它。

7.2 结构化上下文模板：三段式结构

我的上下文组织方式非常固定，基本是三段式：

[背景信息]：我们要解决什么问题？为什么会有这个问题？相关目标和约束是什么？ [输入材料]：AI 需要基于哪些文档、数据或对话来完成任务？（直接把文本粘进来） [任务指令]：基于上述内容，具体做什么？

拿一个典型的例子：我拿到一份客户成功部门的访谈记录，想提炼用户痛点。如果我只说“帮我总结这份访谈”，AI 会给出很泛的“用户满意度有待提升”之类的话。但如果我把背景写清楚，再把访谈原文粘贴进来，再给出任务指令，它就能直接从访谈记录里摘出具象的痛点描述。比如“用户提到导入客户数据时经常报错，导致他们每周要多花两小时手工录入”这种细节，而不是空泛的“希望优化导入功能”。

还有提醒一下，上下文不是越全越好。窗口有长度限制，太长不仅浪费 token，还会让模型忽略中段的部分信息。你只需要把跟任务直接相关的材料放进来，无关背景一句带过就行。这个取舍拿捏，其实也属于提示词工程的进阶功力。

8. 迭代优化：第一版通常只是“半成品”，请多轮对话校准

8.1 为什么不要纠结一次性写出“完美提示词”

很多教程喜欢给你一种错觉，好像高手写提示词一出手就是王炸。真实情况完全不是这样。我写提示词的日常是：先给一个粗糙版本，看结果，哪里不对劲就补充约束，再让它重写。有时候要来回三四轮才能得到满意的答案。这不是水平问题，而是工作方法的差异——高手不是“写得准”，而是“改得快”。

这种思路在 AI 产品里被称为“多轮对话式优化”。模型有很强的上下文延续能力，你可以在同一轮对话里指出它的各种问题，让它逐步调整。你会发现，经过两三轮微调之后，AI 输出结果的稳定性和可用度都会大幅提升。这个阶段积累下来，你也就知道什么样的提示词对什么样的模型更敏感，之后初次下指令的质量也会越来越高。

8.2 迭代优化示例：从“平淡”到“有洞察”

来一个详细的对比案例。第一轮提示词：帮我分析一下这款新茶饮的抖音传播策略。AI 的回答套路是“找准目标客户、打造差异化卖点、利用达人种草”。这是评论级别的废话。

第二轮，我反馈：以上内容太通用，请结合具体用户画像，并给出三种不同传播策略的优劣对比。AI 开始说人话了：针对大学生群体做低价测评、针对上班族做午餐搭配场景、针对健康人群强调低卡原料。

第三轮，我继续追加：请选其中一种策略，写成一份可执行的一周内容排期表，包含视频主题、拍摄形式、预期互动指标。这一次的输出，直接变成了可以直接交给剪辑师执行的脚本方案。

三轮之后，同一道题，答案已经从一个“正确的空壳”进化为“可以落地的执行方案”。这个过程中我没有重新写提示词，而是把每一轮的输出当作下一轮的基础，通过反馈逐步收紧方向。所以，别怕第一版写得不够好，把它当草稿，用对话去磨，它会给你惊喜。

9. 反向提示：说清楚“不要做什么”，比“要做什么”更有效

9.1 用“底线思维”阻止 AI 跑偏

我在前面反复强调“AI 倾向于面面俱到、倾向输出平均值”，还有一个更让人头疼的问题：它偶尔会一本正经地编造内容。遇到这种情况，单纯说“要准确”已经不够了，你得把“不要做什么”直接摆出来。反向提示就是给 AI 画一条红线：不许编数据、不许用绝对化表述、不许超过字数、不许输出跟问题无关的内容。

好多人不敢用这条，觉得“跟 AI 说不要是不是不太礼貌？”完全没必要。模型不是人，它不会觉得被冒犯，相反，明确的否定词能帮它排除很多低质量生成路径。比如你要求“提取文章中的三个关键建议”，如果不加“不要”，它可能会把文章里所有观点都当成建议列出来；加了之后，它会强制自己去做判断和取舍。

9.2 通用反向提示词清单（可直接复制）

以下是我最常用的一组反向指令，基本覆盖了日常主要场景：

• “不要编造数据或案例。如果没有准确数据，请明确标注‘数据缺失’。”
• “不要用‘首先、其次、最后’这类套话开头，直接进入主题。”
• “不要写超过 300 字。如果你写超了，压缩到 300 字以内再输出。”
• “不要使用形容词堆砌，尽量用名词和动词表达事实。”
• “不要给出带有明显立场的观点，需同时列出正反两方面论据。”
• “不要输出与我的问题无关的背景知识，只回答我指定的问题。”

用一组例子看看效果。我让 AI 写一段咖啡店“冷萃咖啡”的宣传文案，在不使用反向约束时，它写的是“精选全球优质咖啡豆、冰滴慢萃工艺、口感顺滑回甘，带给你前所未有的味觉体验”。加了反向提示后：“不要用‘精选’‘优质’‘前所未有’这类无法验证的形容词，请从原料产地、萃取时长和口感对比三个维度写。”第二版立刻变成“采用埃塞俄比亚耶加雪菲豆，冷萃萃取时长 12 小时，口感带有明显柑橘酸质，相比传统热萃口感更清爽”。

你看，负向约束在某种意义上比正向要求更有力，因为它剔除了那些看似正确却毫无信息量的表达。大家在和 AI 协作时，不妨先想想你最不想要什么，把它写进提示词——这个反向思考的过程，能帮你节省大量修改时间。

10. 条件分支：让 AI 按不同情况自动分流处理

10.1 建立“如果……那么……”规则，让你的提示词具备判断力

还有一类技巧比较进阶，适合那些希望用 AI 处理复杂、多情景任务的用户：条件分支。简单说，就是在提示词里写清楚“在不同条件下，AI 应该执行不同动作”。它适用场景非常广，比如客服自动回复、风险分级、文案多版本生成、面试题库分类等等。

平时大家用 AI 写一个客服回复模板，往往是“一个模板走天下”，遇到暴躁客户和普通客户用的是同一套语气，效果自然不好。但如果我们在提示词里加入内置条件，AI 就能根据每个具体输入自动分流，输出不同风格和内容的应答。这种“if-then”逻辑，不需要你会编程，只要用自然语言表达就行。

10.2 条件分支模板：一次搞定“情绪化客户”

这是我给社群成员分享过的一个模板，你可以在自己的场景里替换关键词：

你是一名客服主管，请根据客户消息的情绪和问题类型，生成回复。

判断逻辑：

• 如果客户情绪比较差（出现强烈抱怨、质疑、威胁差评等），先道歉安抚，再给出可操作的解决方案，同时注意避免推诿；
• 如果客户只是正常询问，直接给出清晰的信息和操作指引；
• 如果客户的问题超出你的权限范围，坦率说明限制，并承诺转交专人处理，给出时间预期；

客户消息：[粘贴具体客户消息]

要求：回复控制在 100 字以内，语气自然，不要用模板腔。

这个提示词一上线，原来需要人工判断的 80% 重复性回复都可以让 AI 直接生成，而且准确率很高。更深层的思路是，你可以用同样的方式构建销售线索判定、内容选题评估、风险等级划分等多个分支系统，把一套提示词变成一个小型决策引擎。

条件分支模板的关键在于“条件描述要具体”，不能写“如果客户很生气”，要写“如果客户连续使用叹号或表达‘要投诉’‘太差劲’等信号”。边界越清晰，AI 的分类判断越准确。

11. 组合实战：把多个技巧串起来写一份高质量提示词

11.1 一个真实案例：从零构建“产品上线方案”

技巧单独介绍完了，但真实工作中很少只靠单一技巧。把多个技巧组合使用，才是提示词工程最值钱的地方。我拿一个很常见的需求——“写一份新产品上线方案”来演示，如何把角色设定、任务拆解、格式指定、范围约束、思维链整合到一次提示词里。

这是完整提示词：

你是一名有 5 年 SaaS 产品增长经验的产品运营专家，擅长从市场分析、用户教育和冷启动三个维度制定产品上线计划。

背景信息：我们是一款面向中小型电商团队的一键生成营销海报的工具，目标用户是运营人员，他们普遍不会设计，但每天需要发布 3-5 张营销图。产品预计 3 个月后上线。

任务：请按以下步骤制定一份可执行的产品上线方案：

1. 先列出影响本次上线的 3 个关键用户场景和 1 个核心目标指标；
2. 针对每个用户场景，给出对应的首批种子用户获取渠道；
3. 将上述内容整理成一份上线方案，并按“目标 / 人群 / 渠道 / 时间节点 / 风险应对”五个版块输出；
4. 所有内容必须围绕中小电商卖家的真实痛点，不要涉及线下地推等重模式；
5. 最终输出控制在 800 字以内，用 Markdown 表格呈现时间节点部分。

这个提示词里包含的要素有：角色设定（产品运营专家）、背景信息（产品特点+用户画像）、任务拆解（三步走）、格式指定（五个版块+表格）、范围约束（不涉及线下地推）、字数限制。它输出的方案，我拿给团队看的时候，几乎没有做修改就能用。

11.2 组合套路总结：高性能提示词的四个核心要素

通过上面这个例子，你可以总结出高性能提示词的四个核心要素：

第一，身份层：告诉模型“你是什么角色、擅长什么”。这是激活知识库的基础；第二，背景层：提供足够上下文，让模型理解“在什么情境下回答”，避免无源之水；第三，逻辑层：拆解任务步骤、规定推理路径，让模型按你的思路走；第四，约束层：明确格式、范围、字数、排除项，控制输出形态和质量。

实际操作中，如果你觉得某次输出质量不稳定，最优先检查的是“约束层”是不是漏了。很多模型被抱怨“输出太泛”，其实都不是模型不行，而是你给的约束不足。把四个层次补齐，基本上 90% 的日常任务都能解决。

最后的个人建议：开始一个新任务时，先花 10 分钟写一份带完整四层结构的提示词；等任务跑通以后，再反过来删减，找到“最简有效版本”。经过几次这样的“先加后减”练习，你对提示词的掌控感会明显不一样。

12. 提示词模板库速查：收藏这一张表就够了

为了让你真正“立刻上手”，我把最常用的提示词模板整理成了一张速查表，覆盖高频的通用场景。每个模板都可以直接复制、替换中括号里的内容使用。这张表也是我日常工作中最常翻的工具。

这张表的每个场景，我都配了两个以上条件分支和少样本示例在实际使用。你可以先从自己最常遇到的场景开始试，跑通之后再去拓展其他模板。等积累多了，你会发现写提示词的速度会越来越快，因为很多套路本质上都是相通的。

13. 关于提示词工程的几句大实话

写到这里，这篇实战清单基本就完整了。按照惯例，我不太喜欢在文章结尾做空洞的总结，只分享几个我经过大量实操后的体会。

第一，提示词工程不是“咒语学”，不是背几套模板就能一劳永逸。不同模型能力不同，同样的提示词在 GPT 和 Claude 上的表现会有差异，需要花时间做适配。第二，模板是起点不是终点。任何模板都一定需要根据你的真实场景做修改，这个“改”的过程才是你真正提升的地方。第三，提示词工程本质上是一种“结构化表达能力”。它训练的不只是你对 AI 的理解，更是你对问题本身的拆解能力——想清楚你到底要什么，才能让 AI 给你什么。

如果你现在正准备用 AI 完成一个真实任务，我建议不要盯着这篇教程反复看，直接打开对话窗口，从第 1 个技巧开始，把你想做的事情完整写一遍。碰到效果不满意的地方，再回到这篇文章里找对应的技巧做调整，两三次迭代后，你会明显感觉到自己的提示词水平上了一个台阶。这一类经验，看再多不如动手练一次，练完才是自己的。