企业官网建设流程全解析

做提示词工程这一年多，我最大的感受是：大部分人不是不会用AI，而是根本不会“提需求”。你让模型写一篇文章，它给你一篇四平八稳的废话；你让它分析数据，它给你十条正确的废话。问题从来不在模型，而在你给的那句提示词太模糊了。

所谓提示词工程，说白了就是一套和模型高效沟通的方法。它不玄乎，也不需要懂算法，它解决的是三件事：让模型听懂你要什么、让模型知道怎么给你、让模型稳定地给到你想要的。这篇文章我把日常实战里最常用、见效最快的10个技巧整理出来，每一个都附了能直接用的模板，你照着抄就能上手。

这10个技巧不分行业，写文案、写代码、做分析、学东西都能用。我会先讲清楚提示词背后的底层逻辑，再逐个拆解技巧和模板，最后把最常见的翻车现场和排查思路也放进来。内容比较长，建议收藏，边看边试。

1. 先把提示词这件事想明白：它到底在解决什么问题

1.1 提示词的本质是“沟通协议”，不是咒语

很多人把提示词当成咒语，觉得只要念对了某个神奇句式，模型就能爆发出隐藏能力。但我做了这么多轮测试之后可以负责任地说：提示词不是咒语，是一份需求说明书。

你想象一下，你让一个新同事帮你写周报。如果你只说“帮我写个周报”，他能写出来吗？能，但一定是那种最模板化、最没有信息量的版本。如果你说“我是做用户运营的，本周做了三件事：拉了5场活动、搭建了用户标签体系、处理了32个客诉，帮我写一份周报，重点突出活动数据，不要提客诉”，他写出来的东西立刻就能用。

跟模型对话也是一样。它对你的背景一无所知，对你要达到的目标只能靠猜。提示词工程的全部工作，就是把“背景信息”和“目标期望”尽可能完整地翻译给它。

从实战角度看，提示词工程解决的核心问题其实就三个：

• 降低理解偏差。模型不会读心，你的任务边界画得越清楚，它的输出就越靠近你的预期。
• 提高输出质量。同样的任务，具备上下文和约束的提示词，输出质量能高出好几个档位。
• 稳定复现结果。一套结构化的提示词模板，能保证你换一批数据、换一个模型，拿到差不多的结果质量。

所以这个工程不是“发明一句话”，而是“建立一套可复用的沟通方式”。它考验的不是文采，是你把自己的需求想清楚的能力。

1.2 拆开来看，一条好提示词藏着五个要素

我自己写提示词的时候，脑子里始终有一张检核表：角色、任务、上下文、格式、边界。这五个词几乎覆盖了所有优质提示词的共性。

• 角色：告诉模型“你现在是谁”，比如“你是拥有10年用户增长经验的产品经理”。角色决定了它的发言视角和用词倾向。模型在不同角色下的输出差异非常明显，这是被反复验证过的。
• 任务：用动词明确动作，比如“总结”“改写”“对比”“诊断”“生成”。很多人会忽略这个，用“我想了解一下”这种暧昧表述，模型根本不知道你要它干嘛。
• 上下文：把背景信息给足。你要写的是面向谁的文案？目标用户有什么特征？同类产品是什么风格？这些信息模型不会自己脑补，你不给，它就随便写。
• 格式：明确输出的载体，比如“用表格列出”“分三个要点”“200字以内”“用JSON返回”。格式约束决定了输出好不好用，直接影响下游处理成本。
• 边界：说清楚不要什么，比如“不要用营销话术”“不要出现专业名词”“不要超过500字”。这是在主动压缩模型的发挥空间，避免自由发挥跑偏。

我见过太多人在这五个要素上随意发挥，今天给角色、明天不给；有时给上下文，有时又直接甩一句话。这是把自己当韭菜割。真正稳定的提示词，是把五要素当成默认配置，按场景裁剪。

2. 10个立刻上手的技巧：前5个解决“模型听不懂”

2.1 技巧1：先给角色，再给任务，效果立刻不一样

原理很简单：模型其实是在一个巨大的文本分布上做概率预测，当你给它设定一个角色，它输出的整体语义空间就会被约束到“该角色说人话的方式”上。说得再直白一点，你先告诉它“你是律师”，它就更容易调用法律领域的规范和语气来回答；你先告诉它“你是段子手”，它就自然切换到幽默频道。

实操上，角色设定要具体，不要只写“你是专家”这种废话。“专家”这个词信息量太低了，等于没设。要写“你是专注TOB软件行业、服务过300家企业的产品营销顾问”，模型拿到的有效锚点越多，输出的贴合度就越高。

可用模板：

你是一位【具体身份】，擅长【具体能力范围】。请基于这个视角完成以下任务：任务描述（包含任务目标、处理对象）。

我实测过同一篇产品说明，分别让“你是小编”和“你是专注SaaS行业的资深科技媒体记者”来改写，后者产出的文案在专业术语使用、信息密度和行文节奏上明显更接近能直接发布的水准。角色设定是性价比最高、最不需要动脑、见效最快的技巧，没有之一。

2.2 技巧2：把大任务拆成小步骤，模型不擅长“一口吃成胖子”

模型的注意力窗口和推理能力是有限的。你让它“帮我写一份完整的市场推广方案”这种大任务，它大概率会给你一个结构完整但毫无执行性的框架，因为产出全案需要非常多的前置信息，而它只能靠猜。

正确的做法是拆任务：先让它梳理目标用户画像，再让它输出竞品分析，再让它基于结论生成推广渠道组合，最后让它把方案落成执行排期表。每一步都是一个小而明确的任务，模型每一步都能做得更扎实，而且你还能在中间环节纠偏。

你可能觉得这样多轮对话很麻烦，但真实经验是：拆开做，整体时间反而更少。因为一次生成完整方案后，你需要大幅修改甚至返工的时间，远大于多轮对话的时间。

可用模板：

请按步骤完成以下任务，每完成一步等我确认后再继续： 任务：具体任务 步骤一：需要完成的内容 步骤二：需要完成的内容 步骤三：需要完成的内容

这个模板尤其适合写方案、做研究、搭复杂代码结构。步骤化还能带来一个隐藏好处——每个中间步骤你都能插入新的上下文或修正方向，这比一次性生成再推翻重练高效得多。

2.3 技巧3：给两个高质量示例，比十句解释都管用

模型是靠概率预测来输出文本的，而你给出的示例本质上是给它“划定输出风格的锚点”。当你在提示词里放一个输入输出的对照示例，模型就会尽量模仿示例中的句式、详略、语气和结构，这比你说一百遍“要有深度”“要简洁”都有效。

示例数量其实不用多，一两个即可。关键是示例的质量要高，必须是你理想输出的“标准答案”。你给一个敷衍的示例，它就会产出同样敷衍的模仿品。

可用模板：

请参考以下示例完成任务： 示例输入：×× 示例输出：×× 现在请处理：要处理的输入内容

比如我想让模型把产品功能描述改成用户痛点导向的话术，我先给一个“功能→痛点场景→价值主张”的三行示例，它改出来的内容基本都踩在这个结构上。很多人觉得给示例麻烦，其实你只需要在第一次对话时认真写一个，这个示例可以在后续所有同类任务里反复复用。

2.4 技巧4：只告诉它“要什么”是不够的，把“不要什么”也说清楚

模型天然有“讨好倾向”，你问什么它都会尽量给一个看似合理的回答。这种倾向会导致一个问题：当你只说“要简洁”，它给的仍然是一堆冗长的“正确废话”——因为“简洁”太过模糊，它不知道你的尺度。

反过来，如果你明确说“不要解释，不要背景铺垫，直接给结论”“不要使用任何形容词”“不要出现‘首先、然后、最后’这类连接词”，模型就失去了自由发挥的借力点，输出会立刻变得干净。这就是负向提示的威力，它在替你把控输出边界。

可用模板：

任务：具体任务 要求：明确要保留的内容 禁止出现：列出你不想要的东西（包括句式、语气、内容、长度等）

我常用的一个场景是生成会议纪要：我会明确加上“不要输出寒暄语，不要使用‘我们非常高兴’这类客套话，直接按下述要点输出”。效果立竿见影，输出直接可以用。

2.5 技巧5：要求结构化输出，别让自己“二次加工”

我见过太多人让模型写方案，然后自己复制到表格里，自己提炼要点，自己转成JSON给程序用。这不叫提效，这叫把模型做的活又揽回自己身上。

正确做法是在提示词里要求结构化的输出格式：分条、分点、用表格、用Markdown、用JSON。模型完全支持这些格式，你只需要说明确。

可用模板：

输出要求：使用Markdown表格输出，包含以下列：项目、现状描述、问题痛点、改进建议、优先级（高/中/低），共输出5行。

如果你要做程序化调用，JSON是首选格式，但记得同时声明字段含义和示例，不然模型很容易自由发挥出奇怪字段名。用代码调模型时，我通常这样写：

请将以下内容解析为JSON，格式如下： {"title": "标题", "key_points": ["要点1", "要点2"], "summary": "一句话总结"} 不要输出除JSON以外的任何内容。

这招特别有用。它把模型的输出直接变成了程序可消费的数据，省掉了所有人工解析环节。

3. 10个技巧的后5个：从“能回答”变成“答得好”

3.1 技巧6：要求“先想清楚再回答”，而不是直接给结论

模型和你一样，拿到问题就直接输出答案时，容易走捷径、忽略细节。但如果你要求它先展示思考过程，它会先基于现有的上下文把推理链条补全，再基于这个链条输出结论。这就是很多人常说的思维链，它不能凭空提升模型的认知能力，但它能逼着模型“多想一步”，在复杂逻辑和多条件约束场景下，输出质量确实会稳一截。

我不是说每个问题都要用这招，简单问题用思维链反而显得啰嗦。但在逻辑判断、方案推理、代码排查、数学计算这类场景，实测效果明显。

可用模板：

在回答问题前，请先一步步推理： 第一步，列出你已知的全部条件和信息； 第二步，说明每个条件对结论的影响； 第三步，基于以上推理给出最终结论。 注意：推理过程不要超过200字。

这里有个细节：如果模型服务端关闭了思维链功能，你也要在提示词里要求“逐步说明你的判断依据”，这不会触发功能限制，但同样能达到“强迫推理”的效果。

3.2 技巧7：把已知信息全部“倾泻”给模型，不要嫌多

很多人在写提示词时过度珍惜对话轮次，怕自己说太多模型记不住。实际上，现代模型的上下文窗口动辄几十万token，你不用白不用。你给的上下文越充分，模型越不需要编造信息来填补空缺。

比如你想让它写一篇关于“智能门锁”的产品文案，你至少应该把以下信息全部塞进去：目标人群（独居女性、科技爱好者、租房白领），竞品情况（小米、德施曼等主打什么卖点），你的差异化优势（硬件安全、本地存储、无月费），平台属性（小红书、详情页、朋友圈）。以上只要缺一项，它就可能写出“不明觉厉但卖不动”的文案。

上下文注入有一个小技巧：多轮对话里，每当开启新话题，把该话题的关键事实重新罗列一遍。不要假设模型记得前面轮次说的所有细节，重复给背景，稳定胜过后知后觉。

3.3 技巧8：多轮迭代修改，别指望“一次生成就完美”

写提示词和写代码一样，极少有人能一遍跑通。那些看起来“一句话生成爆款”的截图，背后大概率是十几轮对话打磨。所以我对新手的建议是：把“迭代修改”这个动作当成默认流程。

第一轮先给一个宽松的、只有基础要求的主提示词，拿到初始版本；第二轮针对输出中不满意的地方提精确修改意见，比如“第二段例子太老，换一个2024年的行业案例”“语气再口语化一些，不要出现书面语”；第三轮再收尾格式和细节。这种“从粗到精”的模式，比一上来就写完美长提示词更稳妥。

这里有一个很容易犯的错：每轮修改都只提“哪里不好”，却不告诉模型“哪里好、要保留”。结果就是改了A处、毁了B处，来回拉扯。正确做法是每一轮修改都明说“保留原有的××部分，仅调整××部分”，这样模型才能精准执行。

3.4 技巧9：用风格迁移模板，让AI模仿任何你想表达的风格

风格是提示词工程里最容易出效果、也最容易被忽略的一块。原因在于，风格是非常抽象的东西，你很难用“写得高级一点”“温柔一点”这种词来量化。但解法并不玄——你不需要描述风格，你只需要给模型一个“风格样本”。

比如你想让模型帮你写一段类似“某类爆款公众号”风格的结尾，就别写“请写得像爆款”。直接粘贴一段该公众号的典型段落进去，再加一句“请模仿上述文本的语气、句式节奏和用词习惯，写一段主题为××的结尾”。模型对文本特征的模仿能力远强于它对抽象形容词的理解。

这套逻辑还能用在日常办公里。你可以让模型把你的一段书面报告“用我平时说话的口气改一遍”，只要你先用一小段自己写的内容作为风格样本丢给它，它就能把风格迁移到新内容上。这在团队协作里极其有用。

3.5 技巧10：让模型自己检查自己的答案，能拦截大部分低级错误

AI会一本正经地胡说八道，这是它的固有缺陷。应对办法不是什么高级技术，而是“让它自己挑自己的毛病”。模型在“监督者”位置上比在“生产者”位置上更容易发现问题，因为这两个动作激活的注意力模式不一样。

我建议你把“自检”环节直接写进提示词里：

请在输出正式答案前，先扮演一个严格的审核者，检查自己的回答是否符合以下条件：事实是否有依据、逻辑是否自洽、是否遗漏关键条件、格式是否符合要求。如果有问题，先修正后再输出。

这个操作能把一些明显的事实错误、逻辑断裂、字段缺失问题在源头就挡住。当然它拦不住深层的事实幻觉——模型不知道的知识，它依然可能编。所以但凡涉及事实、数字、引用的场景，我强烈建议你至少再人工抽检一轮，这个习惯绝对不能省。

4. 模板库：拿来即用的场景套用方案

4.1 写作类模板：从大纲到润色一条龙

日常写作是提示词工程应用最密集的场景。我这里给出三个最常用的模板，基本覆盖了“写初稿”“改表达”“定格式”三个环节。

写文章大纲时，我会这样写：

你是一位深耕【领域】的内容主编。请为【标题/主题】生成一份文章大纲，目标读者是【读者画像】，阅读场景是【推送/百科/小红书/知乎】。要求： 1. 大纲包含引言、3个核心板块、结尾，每部分标注核心论点； 2. 每个板块下补充1个可用的案例或数据方向； 3. 整体控制在800字以内的篇幅框架。

润色改写时，我会这样写：

请将下面这段文字改写成【平台】风格。要求：保留原文全部信息点，调整表达顺序和语气，让内容更【易读/专业/口语化/有感染力】。不要增加原文没有的事实信息。 原文：××××

这个“不要增加原文没有的事实信息”特别关键，不加这句，模型常常会自作主张地“锦上添花”，反而造成事实污染。

4.2 编程开发类模板：生成、审查、修Bug

编程场景里，提示词工程的核心诉求是“减少来回轮次，拿到能直接跑的代码”。我自己的经验是：代码任务必须给足约束，否则它会给你一个“看起来正确但一跑就报错”的代码。

生成代码的模板：

你是【语言/框架】的高级工程师。请完成以下需求，并遵循我的约束： 功能需求：【描述清楚输入、输出和处理逻辑】 技术栈：【语言版本、框架、依赖】 性能要求：【如响应时间、内存限制】 代码要求：添加关键注释；使用异常处理；不引入额外依赖；输出完整可运行的代码。

审查代码的模板我强烈建议写代码的人多用：

你是资深代码审查者。请审查以下代码，重点检查：潜在Bug、性能瓶颈、安全风险、可读性问题。请用表格输出，包含：问题位置、问题类型、严重程度（高/中/低）、修改建议。

用表格输出这招，能让模型从“混沌的总结者”变成“结构化的审计员”，输出可以直接贴在工单或更新日志里。

修Bug时最稳的提示词结构：

运行以下代码时报错：错误信息是【××】。请基于错误信息反向分析根因，先不要给修改后的代码，先说明可能导致这个错误的原因，再给出验证方法，最后再给修改代码。

这个“先分析，再给代码”的顺序能让模型少犯“头疼医头”的错，从根子上解决问题。

4.3 数据与学习类模板：让AI做私人分析师和辅导老师

数据分析场景里，我的核心建议是：永远不要把原始数据直接丢给模型（尤其是敏感数据），而是把已经聚合统计过的数据给它。

分析模板：

你是资深数据分析师。以下表格是【业务场景】的统计数据。请从数据中提炼3个核心洞察，指出1个潜在风险，并给出2条可落地的优化建议。 数据： | 日期 | 指标A | 指标B | ... | 要求：所有结论必须基于表格数据，标注具体数值来源；不要做任何没有数据支撑的猜测。

学习类场景的模板也很实用，特别是“费曼式讲解”：

你是一位耐心的导师。请用“生活类比+具体例子+一句话总结”的方式讲解【概念】，受众是【基础水平】的初学者。先问我一个确认理解程度的问题，再决定讲解深度。

这个模板会逼着模型先用问题确认你的知识水平，而不是自顾自地讲一堆你听不懂的术语，体验感会好非常多。

4.4 通用套用公式：把任意提示词变得可用

最后，我把所有技巧浓缩成一个“万金油”公式，你遇到任何新场景，直接往里面填内容就行：

你是一位【角色】，擅长【能力】。 我的背景：一句话交代你所在的行业/项目/水平。 我的目标：一句话说清楚你要达成什么。 任务：[动词] + [对象] + [完成标准]。 限制条件： - 输出格式：【列表/表格/段落/代码】 - 字数要求：【××字以内】 - 禁止事项：【绝对不要出现的内容】 - 复用示例：【如果适用，给一个输入输出样例】 参考信息：所有需要模型利用的背景材料。

这个公式看着长，但用熟练之后就几分钟的事。前期多花两分钟把条件写尽，能省下后面半小时的反复修改。

5. 常见翻车现场与排查清单

5.1 输出太泛、全是“正确的废话”

这是提示词工程新手最常见的翻车点，根因通常是：任务太宽泛、上下文太少、角色缺失。排查顺序很简单：

• 角色给了吗？没给就先补上，看是否改善。
• 任务动词具体吗？把“分析一下”改成“列出三个问题并给改进方案”。
• 上下文够吗？目标读者、业务背景、历史信息有没有给全。
• 有没有示例？放一个你期望的答案样例，泛化问题基本就能解决掉。

我自己的经验是：八成“输出太泛”的问题，加一个示例就能翻盘，根本不用改其他参数。

5.2 格式不如预期、输出混乱

格式问题大部分是因为提示词里“格式约束”和“格式示例”互相冲突。比如你既说“用表格输出”，又给了它一段段落式的示例，模型会不知道该听谁的。

排查思路是：让你的格式说明遵守“单一来源”原则——文字描述格式时不要同时给另一种格式的示例；给格式示例时，用示例本身代替文字描述即可，不要两者混用。另外每轮对话里都要重新申明格式，模型在一段长对话后很容易丢失早期格式指令。

5.3 模型编造事实、输出不存在的引用和数据

AI编造内容这件事，至今没有百分之百的解决办法，提示词只能降低概率，不能归零。我自己会从三个层面去防御：

• 提示词里明确写“只基于我提供的信息回答，不得补充外部信息”；
• 涉及数据、引用、事实时，要求它标注信息来源，若无法确认就标注“待核实”；
• 在任何严肃场景（写进入正式文档、做决策依据）中，保留人工复核环节。

这第三点我反复跟团队强调过：提示词工程能解决的是“表达效率”的问题，不负责替你做事实核查。

有一段我常放在长对话开头的话，现在直接送给你们：

在接下来的对话中，凡是涉及你没把握的事实和数据，请直接说“信息不足，无法确认”，不要自行补充，不要编造，不要推测。

这句话能挡掉一大半的常见幻觉问题。

5.4 一份速查表：从症状到解法

这张表我打印了一份贴在公司工位上，每当同事问我“为什么AI越用越笨”，我就让他们对照检查，九成以上都能在表里找到答案。

最后分享一个我自己养成的习惯：每次写提示词之前，先在草稿纸上写三行字——我是谁、我要什么、我绝对不要什么。想清楚了再动手，比任何技巧都管用。提示词工程不是让你变成一个会说话的人，而是逼你变成一个想清楚事情的人。这个能力，模型时代用得着，模型不在的时候，你也不亏。