企业官网建设流程全解析

你有没有过这样的时刻：兴致勃勃地打开一个AI对话窗口，憋了半天写出一段自认为描述得很清楚的指令，结果模型给你回了一堆正确的废话，或者一本正经地胡说八道？我太熟悉了。前两年我刚接触大模型时，一度觉得这东西就是个“人工智障”，让它写总结它写成了流水账，让它改代码它给你编出根本不存在的API函数，气得我差点把所有对话框都关掉。

后来我才慢慢意识到，问题多半不在模型身上，而在我递给它的“咒语”上。这个咒语，就是Prompt，而琢磨怎么写好Prompt的过程，就是所谓的Prompt工程。说白了，Prompt工程就是一套跟大模型沟通的方法论，核心目标是把一个模糊、口语化、充满歧义的想法，翻译成模型能够准确理解的指令结构。它解决的是“模型明明有这个能力，但你就是调不出来”这个痛点。

这篇文章我会把我这一年多踩过的坑、试出来的套路、以及几次从60分改成90分的完整案例，全部拆开讲清楚。适合所有用AI写东西、写代码、做数据分析或者做内容提取的人。不需要你有编程基础，只需要你愿意把原来随口问一句AI的习惯改掉，换成有章法的表达方式。你会发现，同一个模型，同一份能力，换个问法，输出的东西能差出好几条街。

1. 先搞明白：为什么AI总能听懂人话，又总办错事？

很多人在做Prompt工程之前，第一个困惑是：我明明说的是中国话，字面意思也很直白，为什么AI给出的结果不对？要回答这个问题，你得先理解大模型在工作时到底在干什么。

1.1 大语言模型不是“搜索引擎”，而是“接话大王”

搜索引擎是拿关键词去匹配网页，给你返回一堆链接。大语言模型完全不是这个逻辑。它本质上是一个“下一句预测”系统：你给它前面一段文字，它根据训练中学到的海量语料规律，算出接下来最可能出现的词。它不是在“查找”答案，而是在“续写”你的话。

这个概念听起来简单，但影响非常大。因为你输入的不只是“问题”，还是一种“风格暗示”。如果你只甩一句“帮我写个周报”，模型就开始续写“周报通常包括...”，因为它见过的类似文本大多是周报说明文。它不会自动理解你其实想要“一封给领导看的、语气谦逊的、本周重点突出的邮件”。

这就是“接话”和“回答问题”的区别。理解这一点后，你就知道Prompt工程的第一原则：不能只告诉它“做什么”，还要告诉它“以什么身份、什么风格、什么结构、为了什么目的去做”。

1.2 上下文窗口是你给“实习生”准备的所有资料

大模型处理文本时有一个窗口限制，专业术语叫上下文窗口。你可以把它理解成模型和你在一次对话中共用的“便签板”。你输入的内容、历史对话、相关资料，都在这块便签板上。模型只能根据便签板上写得下的东西来“续写”，超出便签板的内容它根本看不见。

所以当你说“我上次不是说过要根据用户反馈来改吗”时，如果那段用户反馈早就被挤出了窗口，模型就真的不知道你在说什么。它不是你记忆力差，是它的“工作台”只有那么大。

我刚开始用AI时，总喜欢在一条对话里不停地加背景：“另外再帮我看一下那段代码”“对，就是刚才那段，改成异步的”。结果模型越改越离谱，就是因为它在长对话里丢失了上下文。后来我学乖了：每次问新问题时，把必要背景用最精简的几句话重新描述一遍；如果要处理长文档，就按章节分段喂进去，而不是一次性把所有材料堆上去。

1.3 模型输出是概率采样，不是逻辑必然

同一个Prompt，多问几次，模型给出的结果可能略有不同，甚至有时候会蹦出一句二乎乎的答案。这是因为它每次生成时都在按概率“掷骰子”，尤其当生成参数里的随机性调得比较高时，输出就更不稳定。

这也解释了为什么很多人觉得“AI时好时坏”。坏消息是这种随机性没法完全消除，好消息是可以通过更精确的指令和更严格的结构约束，把模型可能跑偏的空间缩小。你给出清晰的边界，它就算随机采样也落不到边界外面去。

2. 核心干法：把“一句话需求”变成“一份可执行工单”

我见过太多人做AI项目失败，不是模型选错，而是需求描述太像“口述梦话”。要给大模型下达指令，不妨想象你在给一个知识渊博但完全没常识的实习生布置工作。你不会只说“去把那件事办了”，你会告诉他：你是谁、要做什么、边界是什么、产出长什么样、判定标准是什么。

2.1 角色设定是价格最便宜的“性能开关”

我试过同一个任务，不带角色时模型输出是一坨“说明书语言”，带上角色后瞬间变成“行业老手语气”。比如让AI整理一份会议纪要，如果你只写“整理一下这段会议记录”，它会给你逐条罗列谁说了什么。如果你改成“你现在是某科技公司的技术负责人，公司决定取消每周例会，需要你把这一个月的会议记录按风险、决策、行动项三类进行汇总”，输出的结构立刻就不一样了。

角色设定本质上是在告诉模型“调用哪一部分训练知识”。模型在训练时看过大量不同风格、不同身份的文字，角色就像钥匙，能打开对应的那个知识抽屉。你不用管模型在技术上是不是真的“扮演”什么角色，你只需要关注结果：设定角色后，输出的措辞、重点、专业度都会明显变化。

2.2 任务拆解：把宏大问题切成模型能消化的步骤

大模型不擅长一次性解决一个非常宏大的问题，比如“写一份公司年度战略计划”。你把这么大的需求丢给模型，它能给你写，但写出来的东西一定是空泛的套话，因为它在给你“编符合战略计划字样的文本”，而不是“真的帮你想战略”。

正确做法是拆成多个小任务，每个小任务单独写一个Prompt，或者用多轮对话一步步来。比如：

1. 先让它列出年度战略需要包含哪些模块；
2. 再让它针对“市场分析”这个模块，基于你提供的几条业务数据给出判断；
3. 然后让它把判断写成了一段有逻辑关系的论述；
4. 最后再让它调整语气或压缩字数。

每个环节的输出质量都会比一步到位好很多。你可以把这种思路叫做“流水线处理法”。在我实际用下来的感受里，拆解之后的效果提升非常明显，尤其是写长文和做复杂分析时，简直像换了个人。

2.3 给例子比给规则更管用

有一类优化Prompt的技巧，叫Few-shot示例，意思是在指令后附带一两个输入输出的例子。很多人在写Prompt时只知道疯狂加约束：“你要专业”“不能口语化”“要有条理”，但说了半天，模型还是不知道“专业”在你的场景里到底长什么样。

我后来发现，一个具体例子顶得上十句抽象描述。比如你想让AI整理一份用户投诉分类，与其写“请把下面的投诉内容按照物流、质量、服务三类进行归类”，不如在末尾增加一两个例子：“例如：‘发货太慢，一周了还没动静’应归类为‘物流’；‘包装破损东西变形’应归类为‘质量’。”模型看到这种示例后，输出的分类准确率会显著上升，因为它在模仿你给的样例风格，而不是凭空猜测。

2.4 输出格式一定要用“可强制约束”的方式表达

AI生成文本是自由的，但这自由常常让人头疼。你需要表格，它给你一段散文；你需要JSON，它给你一段带解释的JSON碎片。解决办法是把输出格式写死，并尽量让它“无法自由发挥”。

比如我经常写这类Prompt：“只输出一个JSON对象，包含以下字段：summary（不超过50字），items（字符串数组，每个元素不超过20字）。不要输出任何解释文字，不要使用Markdown代码块。”加了这些限制后，模型大部分时候都会乖乖听话。如果还不行，就在后面再加一句“直接从{开始输出，不要以任何其他内容开头”。

这种写法的原理很简单：大模型是续写预言家，你给了它一个“不得越界”的收尾句，它的续写方向就被锁死了。给它一个明确的开头标记，也能有效阻止它在前面加“好的，这是生成的内容：”之类的前缀。

2.5 思维链：让AI“边想边写”，而不是直接给结论

有个非常实用的高级技巧，叫Few-shot Chain-of-Thought，中文叫思维链，但你可能听过它更生活化的名字：“让我们一步一步地思考”。这句魔法咒语确实有效，但很多人会误以为只要加上它就行。实际上，更稳健的做法是在Prompt里明确要求模型“先列出推理步骤，再给出结论”。

比如你问：“某件商品原价280元，先降价20%，再涨价15%，现价多少？”如果你单纯问，它可能直接给你一个数字，甚至算错。但如果你写“请分步计算：先算降价后的价格，再算涨价后的价格，最后得出结果”，模型就会在输出中展示每一步的算式，而且错误率大幅降低。

原理上，这相当于把模型从“快思考”切换到“慢思考”模式。它每一步都基于上一步的文本继续续写，自然会沿着逻辑轨道走下去。对于数学、逻辑推理、代码调试这类任务，这个技巧是我最常用的保底手段。

3. 四个实战场景：从“人工智障”改写为“人工智能”

说了这么多理论，接下来我挑四个我经常用到的场景，给你完整演示一下同一个任务在Prompt优化前后的差别。你不需要照抄我的话术，但可以参考里面的优化思路。

3.1 场景一：把乱糟糟的工作记录变成结构化周报

我有一段时间特别烦写周报，于是随手把聊天记录往AI里一丢，写的是：“帮我写周报。”结果它给我生成了一篇古板的三段式：本周回顾、下周计划、遇到的困难。乍看可以，细看发现所有内容都在总结那些我已经不想再提的杂事，完全没有突出我真正想让领导看到的内容。

后来我把Prompt改成这样： “你是一名熟悉互联网行业的项目助理，请根据下面的原始工作记录，帮我写一份面向产品总监的周报。要求：

1. 只提取与项目进度相关的信息，忽略会议寒暄和情绪化表达；
2. 分成‘本周完成’‘风险与阻塞’‘下周计划’三个小节；
3. 每条不超过两行，语言精炼，不写套话；
4. 原始记录里有的内容才写，没有的内容不要编。 以下是原始记录：[粘贴内容]”

你看，这套指令补齐了角色、任务目标、输出结构、内容来源约束。模型输出的内容基本可以直接用，几乎无需修改。核心变化是我没有让它“写周报”，而是让它“从记录里提取信息并按指定结构重排”。这就像给实习生一根针，告诉他“把线穿进去，而不是让他自己找线”。

3.2 场景二：用Prompt帮我看代码、找bug

一开始我调试代码时，总喜欢直接把一大段代码塞进去，附一句“这段代码有bug吗？”模型有时候会一本正经指出一个根本不存在的错误，有时候又只给一句“看起来没有问题”。后来我意识到，是我没有给它足够的调试上下文。

我把代码调试的Prompt改成了这样： “你是一位资深的后端工程师，请阅读下面的代码，先对比预期行为与实际代码逻辑，再分析可能引起执行结果异常的原因，最后给出修复建议。注意：

• 代码运行环境是Python 3.11，主要依赖requests和flask；
• 期望行为是从API获取数据后写入本地SQLite数据库；
• 输出格式为：错误位置、错误原因、修复代码、验证方式。 以下是代码：[代码片段]”

经过这样的拆解，模型会在“错误位置”的引导下真实去检查每一行，而不只是给你一句敷衍的“可能这里有问题”。我还试过加上“请先告诉我你发现了什么线索，再给出建议”，效果也不错。关键是你把AI从一个“猜答案的人”变成了“按流程排查问题的工程师”。

3.3 场景三：从非结构化文本里提取字段

我做过一个模拟项目，需要从几十条杂乱的用户反馈中提取产品名、情绪倾向、问题类型、建议关键词。一开始我用一句“请帮我提取用户反馈中的关键信息”，结果它输出的是自然语言的段落，很难程序化处理。

后来我采用格式约束法，把Prompt写成这样： “系统需要从每条用户反馈中提取结构化信息。请将每条反馈处理为一个JSON对象，字段为：

• product_name：文本中出现的产品名，若无则为null；
• sentiment：取值为“正面”、“负面”或“中性”；
• issue_type：从“性能问题”、“界面问题”、“功能缺失”、“其他”中选择一个；
• quote：从原文中摘录一句最能代表用户态度的原话。 要求：不要输出任何解释，不要使用Markdown代码块，直接用JSON数组返回。 输入反馈如下：[多条原始反馈]”

这样做的结果非常稳定，几乎可以直接把模型输出粘贴到脚本里做后续处理。我后来还尝试在Prompt中增加困难示例，比如“这条反馈里既提到界面又提到速度，issue_type应该填‘性能问题’，因为抱怨的主体是加载速度”，模型在类似情况下就不再犯混了。

3.4 场景四：用AI做角色扮演式的写作助手

写作型任务最容易翻车。如果你说“帮我写一个分手后的重逢场景”，模型大概率写出一段矫情的偶像剧台词。但如果你把场景细节、人物关系、说话习惯都交代清楚，它就能写出很真实的文字。

我自己的习惯是分两步走。第一步先让模型做“世界设定”： “你是一位现实主义小说作家，请根据以下信息搭建一个场景素材库：时间（冬季夜晚，北方城市）、地点（便利店门口）、人物关系（多年未见的老同学，其中一人已结婚）、情感基调（克制、尴尬中带一点释然）。请输出场景中可能出现的道具、天气感受、人物动作和微表情，不要写对话。”

第二步再让它写具体对话，这时候Prompt可以变成： “接着场景素材库，写一段两人的对话。要求：对话要生活化，不要直白说出内心想法，通过谈论某件无关的小事来掩盖旧日恩怨，在结尾用一个动作来收束情绪。”

这样生成的文字，比直接让AI写“重逢”要高级得多。原因也很简单：你给了它可供调配的素材和明确的写作方向，而不是让它从一个空荡荡的题干里硬造一个完整的宇宙。

4. 常见问题与排查技巧：我踩过的那些坑

就算你掌握了上面所有套路，实际用起来还是会有各种幺蛾子。下面是我自己反复遇到并解决过的几个典型问题。

4.1 模型总是“嘴硬”，说错了还不承认怎么办？

大模型在被指出错误后，常常会道歉，但下一次输出可能继续错。它不是在“狡辩”，而是它的训练目标决定了它更倾向给出一个连贯、可信的回答，而不是准确验证过的答案。要解决这个问题，千万别跟它在同一轮对话里纠缠。正确的做法是让它“验证”自己的输出。

比如你怀疑它生成的数据有误，你可以追加一句：“请重新检查一遍，找出你刚才回答中可能与事实不符的地方，并列出依据。”这会促使模型重新扫描一遍自己刚输出的文本，而不是继续顺着原来的错误往下编。如果前面使用了思维链，错误率会低很多，因为模型每一步都有中间过程，最后还要验证，正确的概率就大多了。

4.2 模型不按指定格式输出，怎么纠正都无效

很多人遇到这种情况会一遍遍加“要JSON格式！”，但毫无用处。断掉这个循环的办法是“掐头去尾”：

• 头部拦截：在Prompt末尾明确写“不要输出任何引言或解释，直接以规定格式开始。”
• 尾部兜底：提供完整的示例输出，让模型参考。
• 结构锚点：比如要求“最外层使用[]括号，内部每条记录用{}包裹”，这样一来，模型即使跑偏，也会尽可能落回允许的结构内。

我甚至试过专门写一个“格式纠正”Prompt：“下面是一段不符合要求的输出，请你将其转换为规定的JSON格式，不要回答任何其他内容。”然后粘贴模型前一次的错误输出。这个方法在几次调参后特别好用。

4.3 上下文太长，模型记不住前面的内容

还是那句话，模型的工作台只有那么大。如果你的任务需要处理长文档，我推荐“三步走”策略：

1. 摘要浓缩：先让模型把每部分内容分别按“要点”摘出来；
2. 分段处理：把浓缩后的要点拼接起来，再让模型基于这些要点做整合分析；
3. 增量补充：如果分析了几个部分后，需要加入新信息，就单独开一个任务，把旧结论和新信息一起作为输入，而不是继续在同一对话里追加。

这个方法在处理论文、产品文档、会议纪要时非常稳，有效解决了我早期“聊着聊着就失忆”的痛点。

4.4 越修改越差，Prompt版本无法管理

我早期调Prompt是“想到哪改到哪”，经常一个小时调出五个互相矛盾版本，最后也不知道哪个好。后来我学了一个笨办法：每个关键版本存一条独立对话，或者在同一对话中用不同的下划线分隔符“V1:”“V2:”标出。更系统一点，可以用表格记录版本号、修改点、测试结果。

比如我会建一张小表，列名是“版本特征、测试输入、模型输出质量、我给的评分”。把每个版本测三次，综合评估。这个方法很笨，但特别有效，它能帮你看到哪次改动真正提升了输出，哪次改动只是心理安慰。

4.5 玄学时刻：温度参数和随机性要不要调？

如果你在用API，除了Prompt本身，还有个叫temperature的参数（有的平台叫随机性），它决定模型输出时有多大程度“发散”。数值越高越有创造力，但也更容易胡说八道；数值越低越稳定，但可能显得机械。

我个人的经验是：做信息提取、代码生成、数据清洗这类需要准确性的任务，直接把temperature设到0或0.1；做文案创作、头脑风暴、起名这类需要发散的任务，设到0.7到0.9。如果你的平台只支持聊天界面没有这个参数，那你只能靠Prompt里的约束来控制，比如在创作时加上“尝试给出一种意想不到的视角”，在准确性任务中加上“不要输出你不确定的内容”。

5. 超越模板：怎么判断一个Prompt到底好不好

不少人学Prompt工程，最后变成收集模板。模板当然有用，但真正会写Prompt的人，都会去分析模板背后的结构，再结合自己的场景调整。我评价一个Prompt的好坏，通常会看四点。

5.1 指令清晰度：这条Prompt能否被一个“没有常识的人”执行

把你写的Prompt想象成任务书，发给一个刚入职的实习生。他会不会因为“写一份方案”这种泛泛而谈的词卡住？如果会，说明你的指令还不够具体。我在写的时候会反复问自己：任务目标是什么？实现步骤是什么？输出格式是什么？质量要求是什么？边界条件是什么？这四点都在，才算合格。

5.2 示例有效性：你的例子是“正面示范”还是“负面干扰”

示例务必与任务完全同构，不要加无关变量。我见过有人让AI提取投诉分类，给的例子却是一段正常的表扬，说明“这种应该归为正面”。这确实也是一种示例，但问题是它与任务的主类不一致，模型会学着把与例子结构相似但不相关的内容也归到那类去。

一个更稳的做法是给一组“难分界”例子，专门覆盖容易混淆的情况。比如“配送慢但客服态度好，这归物流还是服务？”你想让模型怎么处理，就明确示范。

5.3 格式可交付性：模型输出能不能直接被下游流程使用

如果你是为了写文案，可能无所谓格式。但如果是为了做自动化处理，输出格式几乎决定一切。好的Prompt写作者会设计出“机器可读、人可检查”的输出。我通常要求JSON数组、纯文本、无代码块标记。这样即使出问题，我也能用脚本快速检测到是哪个字段不符合要求，而不是肉眼在一大段散文里找数据。

5.4 可移植性：换一份相似任务时，Prompt还能不能用

有些Prompt写得很死，只能处理一种特殊场景。而好的Prompt像一套模板，改几个插入位就能复用。我的习惯是把任务中会变的参数，比如“输入内容”、“目标风格”、“字段名”抽出来，放到Prompt末尾统一标注，用占位符代替。这样下次换个需求，我只要替换占位符就行。

6. 最后再分享一点我的真实体会

写了这么多，我最想告诉你的一件事是：Prompt工程不光是“对付AI”的技巧，更是一种把需求想清楚的训练。你为了写好一段Prompt，得先把目标、步骤、边界、产出标准都过一遍，这个习惯本身就会让你变成思维更清晰的人。我现在写方案、布置工作，哪怕不用AI的时候，也会下意识地把模糊需求拆成可执行清单，工作效率反而上去了。

用我这个思路去练一段时间，你会发现自己跟AI协作的体验会发生质变。模型还是那个模型，能力边界还是那个边界，但你手里的“魔法咒语”越长越趁手，它能变出的东西自然就越来越接近你真正想要的。

如果你刚开始练手，我建议从明天起做一个动作：把你最常问AI的一类问题，用我上面讲的结构重写一遍，然后对比前后两次输出的差别。亲自试一次，比你看十篇文章都有用。等你自己调出几个顺手模板后，你会回来感谢这段从“人工智障”到“人工智能”的折腾过程的。