什么是提示词 —— 对 AI 的“表达方式”决定结果
拜托朋友帮忙时，说“你看着办随便弄弄”和说“请在下周五之前，做一份 A4 两页的企划书，预算控制在 50 万日元以内”，得到的结果会完全不一样，对吧。
对 AI 的指令也是一样。提示词（Prompt）指的就是发送给 AI 的指令文本。而仅仅是提示词写法的不同，就能让 AI 的回答发生天翻地覆的变化。
这并非凭感觉的说法。一项对 1,500 多篇提示词相关研究论文进行元分析的调查表明，仅仅是在提示词中加入具体条件，回答的准确度就能提升约 30%，多余信息减少 42%[1]。
或许有些人听说过“提示词工程”这个词。有数据显示，2025 年已有 68% 的企业将提示词技能纳入面向全体员工的标准培训之中[2]。它早已不再是工程师专属的特殊技能，而成为了每一位使用 AI 的人都需要掌握的基本技能。
本章将结合具体示例，讲解任何人从今天起都能实践的提示词写法。想了解更实用的模板集，还可以参考提示词工程实践指南。
提示词不同，AI 的回答天差地别
好提示词的 5 个要素
有效的提示词包含 5 个要素。若用做菜的食谱来比喻，就像是“谁来做（角色）”“做什么（任务）”“为谁而做（背景）”“怎么摆盘（格式）”“过敏应对（约束）”。
只要加上一句“你是○○领域的专家”，AI 回答的语气和知识水平就会随之改变。
示例：“你是一位有 10 年经验的网络营销人员。请告诉我提升个人博客访问量的方法”
不要只说“告诉我”“想一想”，而要把动词说具体。“总结一下”“对比一下”“提 5 个建议”等等，动作越明确，AI 就动作越精准。
把你的处境告诉 AI，回答的方向就会大大改善。只要写上一句“我是一名毫无编程经验的大学生”，难度就会自动调整。
“用要点列出”“用表格形式”“300 字以内”“加上小标题”—— 如果不指定格式，AI 往往会用大段长文回复。请根据用途来指定。
“不要使用专业术语”“仅限于日本市场”“务必也包含缺点”等等，把禁止规则或条件一并告知，就能减少返工。
💡 不必每次都把 5 个要素全部放进去。不熟练时，哪怕只留意②任务 + ③背景这两个，回答的质量也会大幅改变。等熟练之后，再逐步加入其他要素。
实践技巧集 —— 今天就能上手的 7 种范式
在 2024 年发表的大规模调查“The Prompt Report”中，多达58 种提示词技巧被系统地分类整理[3]。但你并不需要把 58 种全部记住。在日常的 AI 应用中真正用得上的，大概只有 7 种。这里按难度进行了梳理。
加入数字、对象、条件。最简单，效果最大。
要点、表格、字数。以易于使用的形式接收。
“我是有○年经验的○○”能改变回答的深度。
用 2〜3 个输入输出示例，对分类、转换、格式化作业有效。
在计算、逻辑、复杂分析中提升推理准确度。
让它批判性地重新检查回答，提高准确度。
让 AI 自己生成提示词，再针对自己的需求调整。
【初级】① 给出具体指令
这是最简单、效果最大的技巧。只需在含糊的问题中加入数字、对象、条件即可。
❌ 含糊：“告诉我提升销售额的方法”
✅ 具体：“请按成本从低到高列出 5 条能让一家有 10 名员工的拉面店月销售额提升 20% 的举措。目前客单价 900 日元，月客流量约 3,000 人”
【初级】② 指定输出格式
研究表明，是否指定格式，在某些情况下会使准确度相差多达 76 个百分点[1]。只要加上一句“用要点列出”“用对比表”“○字以内”，回答就会更好用。
【初级】③ 赋予角色（角色扮演）
只需说一句“你是○○”，就能得到该领域专门化的回答。
“你是一位有 10 年经验的销售经理。请按优先级顺序告诉我，新人销售在最初 3 个月应当掌握的技能”
关键在于加入经验年数和具体的职位。相比只说“你是专家”，说“我是有○年经验的○○”更能改变回答的深度。
【中级】④ 给出示例（Few-shot）
这是先给 AI 看 2〜3 个输入输出示例，再交给它正题的方法。在分类、转换、格式化作业中尤其威力巨大。
请按以下格式对商品评论的情感进行分类。
评论：“这个商品太棒了！”→ 情感：正面
评论：“不如预期”→ 情感：负面
评论：“用起来还行”→ 情感：中性评论：“配送很快，但有划痕”→ 情感：
有一项有趣的研究结果。有分析指出，Few-shot 的效果更取决于示例的“多样性”而非“正确性”。也就是说，比起准备完美的示例，展示模式的多样范围反而更重要[4]。
【中级】⑤ 让它逐步思考（Chain-of-Thought）
有研究结果表明，只需加上一句“请一步一步思考”，推理任务的准确度就能提升约 35%[1]。对计算题、逻辑题、复杂分析尤其有效。
“苹果每个 150 日元，橘子每个 80 日元。买 3 个苹果和 5 个橘子，用一张 1,000 日元的纸币付款，找零多少？请逐一展示计算过程并作答”
⚠️ 2025 年的注意事项：对于 ChatGPT o-series、Claude Extended Thinking 等最新的“推理模型”，请不要指示它“一步一步思考”。这些模型会在内部自动进行逐步思考，若明确加以指示反而可能导致性能下降[5]。“请一步一步思考”应当用于不具备推理模式的对话型标准模型。
【高级】⑥ 让它自我审查
这是让 AI 批判性地检查自己回答的技巧。在需要准确性的场景中很有效。
（在收到 AI 的回答之后）
“请批判性地检查这个回答有无问题或遗漏。如果有错误，请予以修正”
不过，AI 并不能 100% 找出自己的错误。研究者指出了一种“合理性陷阱（plausibility trap）”—— AI 的输出看上去越合理，就越难以验证[5]。对重要的判断，务必也加入人工检查。
【高级】⑦ 元提示词 —— 让 AI 生成提示词
当你熟悉了提示词的写法之后，也可以采用让 AI 自己生成提示词的方法。
“我是一名自由职业的网页设计师，想高效地制作给客户的提案书。请为实现这一目的创建最合适的提示词”
诀窍在于不要原封不动地使用 AI 生成的提示词，而要根据自己的情况加以调整。
Before / After —— 同一个问题也能差这么多
光靠对技巧的讲解还难以有切身体会，我们来看几个具体的 Before/After 吧。左边是含糊的指令，右边是加入了条件的指令。
示例 1：撰写商务邮件
| Before | After |
|---|---|
| “写一封道歉邮件” → 生成一封泛泛而谈、用不上的邮件 |
“就交付延迟了 3 天一事，给客户田中部长写一封道歉邮件。原因是物流故障，预计下周一送达” → 完成一封达到可直接发送水平的邮件 |
示例 2：企划创意构思
| Before | After |
|---|---|
| “提一些新商品的创意” → 不清楚是哪个行业的什么商品，只能给出含糊的建议 |
“请提出 5 款面向 20-30 岁女性、月费 3,000 日元以下的订阅制健康食品。并附上能与竞品 A 公司、B 公司形成差异化的要点” → 得到可直接用于企划书的创意 |
示例 3：学习、查资料
| Before | After |
|---|---|
| “给我讲讲机器学习” → 得到一段生硬难懂的说明 |
“请用连中学生都能懂的方式，把机器学习的原理比作做菜的食谱来讲解。不要使用专业术语，并加入 2 个具体例子” → 得到亲切易懂、一看就明白的说明 |
共同的要点在于明确了“对谁、做什么、怎么做、以什么形式”。条件加得越多，AI 返回的回答就越精准。
常见的失败模式与应对方法
下面介绍刚开始使用 AI 的人容易掉入的 5 个陷阱，以及摆脱它们的方法。
❌ 失败 1：指令过于含糊
“写得好一点”“再改得更好些”，对 AI 来说也是很为难的指令。请具体地告诉它什么地方、怎样才算“好”。“用轻松的语气”“加入 3 个数字”“300 字以内”等等，明示标准正是诀窍所在。
❌ 失败 2：一次问全部
“告诉我营销战略怎么制定、推荐哪些工具，以及预算怎么编”—— 这样一来 AI 会试图把所有内容都浅浅地覆盖一遍，结果每一项都半途而废。一次提问只问一个主题。在前一个回答的基础上再提下一个问题，才能得到更深入的回答。
❌ 失败 3：原封不动地相信 AI 的输出
AI 有时会信心满满地出错（幻觉）。尤其需要注意的是：
- 具体的数字、统计 —— 询问出处并核实
- 专有名词 —— 人名、公司名、法律名务必查证
- 最新信息 —— 模型的知识是有截止期限的
- 法律、税制 —— 务必以官方信息为准核实
对策很简单。养成追问“请告诉我这条信息的出处”的习惯。AI 无法给出出处的信息，就是需要核实的信号。
❌ 失败 4：一来一回就结束
“问了 AI，但答案很一般”→“果然 AI 派不上用场”。这是一种非常可惜的模式。下一节会详细讲解，与 AI 的对话本就以 2〜3 个来回为前提。
❌ 失败 5：一切都甩给 AI
AI 擅长的是起草、整理信息、发散创意。人擅长的是最终判断、解读语境、伦理考量。把这两者结合起来，才是最有效的用法。“让 AI 打草稿，由人来收尾”—— 这种分工最能奏效。
与 AI 的对话术 —— 不要一次就结束
比提示词技巧更重要的，是“反复对话”这一思路。
在提示词研究中，通过反复的反馈（迭代），输出质量可提升 35%[1]。不要求第一次就完美，而是看过 AI 的回答后，修正方向，再问一遍。正是这个循环提升了质量。
留意 5 要素，发送第一条提示词。
用人的眼光判断好的地方与不足之处。
告知修正方向、深入挖掘等，让它进行修改。
经 2〜3 个来回达到预期的质量。
反馈的 6 种范式
为了那些“不知道该反馈什么”的读者，介绍 6 种好用的范式。
| 范式 | 用法示例 |
|---|---|
| 修正方向 | “改成更轻松的文风”“太专业了，改成面向初学者” |
| 深入挖掘 | “把第 3 个方案讲得更详细些”“补充具体的步骤” |
| 追加条件 | “只保留预算 100 万日元以内的方案”“仅限于日本市场” |
| 切换视角 | “从客户的视角重新思考”“也给出反对意见” |
| 质量检查 | “确认这份内容有无错误或矛盾” |
| 更改格式 | “把这份内容改成邮件正文”“重新整理成表格” |
经过 2〜3 次反馈，回答的质量会大幅提升。诀窍就是不要从一开始就追求完美。
从提示词到“上下文工程”
最后，也来聊聊提示词技术的最新趋势吧。
AI 研究者 Andrej Karpathy 于 2025 年 6 月表示，“日常使用的简短提示词，只不过是产业级 AI 应用的极小一部分”，并提出了上下文工程这一概念[6]。
这是一种不仅设计提示词（指令文本），还要合理设计交给 AI 的全部信息 —— 参考资料、以往的对话、工具的输出结果等 —— 的思路。例如先让 AI 读取公司内部文档再提问，或附上以往的会议记录再请它总结，就属于这类用法。详情请参阅什么是上下文工程。这一思路在把实现交给 AI 的氛围编程，以及规格驱动开发中也变得重要。
话虽如此，根本并没有改变。首先要实践本章学到的 5 个要素和 7 种技巧。仅凭这些，AI 回答的质量就应当会有脱胎换骨的改变。
- 提示词仅凭写法不同，回答就天差地别。只要加入条件，准确度就会提升。
- 好提示词包含角色、任务、背景、格式、约束这 5 要素。先从②任务＋③背景入手。
- 实践技巧按难度分为7 种。从具体化、指定格式、赋予角色，到 Few-shot、逐步思考、自我审查。
- 对最新的推理模型无需说“一步一步”。请用于标准模型。
- 不要一次就结束，用2〜3 个来回的反馈来打磨。再往前走，就是上下文工程。
参考文献
- Gupta, Aakash. "I Spent a Month Reading 1,500+ Research Papers on Prompt Engineering." Medium, 2025.
- "Is Prompt Engineering Dead?" Fast Company, May 2025.
- Schulhoff, Sander et al. "The Prompt Report: A Systematic Survey of Prompting Techniques." arXiv:2406.06608, 2024.
- Min, Sewon et al. "Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?" arXiv:2202.12837, 2022.
- Lakera. "Prompt Engineering Guide 2026." lakera.ai, 2026.
- Karpathy, Andrej. "Context Engineering." X (Twitter), June 2025.
相关链接：
- Prompt Engineering Guide —— 提示词技术的综合指南（英文）
- Anthropic Prompt Engineering Docs —— 面向 Claude 的提示词设计指南
下一章将介绍如何在实际场景中运用本章学到的提示词技术 —— 在工作、学习、创作中的具体应用方法。