企业官网建设流程全解析

你有没有过这种经历：同一个任务，换一种说法问 AI，结果差别大得离谱？我早期用大模型的时候，最烦的就是提示词写不清楚，输出全凭运气。后来花了不少时间专门研究提示词工程，把踩坑经验整理成一套自己的写法，效果稳定多了。这篇不是理论科普，而是把我目前验证过、能真正提高命中率的 10 个技巧和 5 套模板都放出来。零基础可以直接抄模板，有基础的可以对照排查自己写得不好的地方。

1. 提示词为什么总不稳定？先搞清楚大模型是怎么"读"你的话的

很多人在提示词上遇到的第一个坎，不是不会写，而是不理解模型为什么给出这样的回答。所以这章先把底层逻辑说清楚，后面 10 个技巧才有落脚点。

1.1 大模型不是搜索引擎，而是"概率接龙大师"

搜索引擎的工作方式是你给关键词，它去索引里找匹配文档。大模型完全不是这个逻辑——它每一轮做的其实是"预测下一个 token（词元）"：根据你给的所有上文，计算下一个词最可能是哪一个，然后接着预测再下一个，直到生成完整回答。

这意味着，你提供的提示词本质上是在控制这个预测过程的概率分布。你的说法越具体，模型下一步预测的候选范围就越窄，输出就越稳定。如果指令模糊，模型只能基于大量常见套路做平均化猜测，结果就像让十个不同性格的人分别写一段方案，再取一个“最大公约数”——很难让人眼前一亮。

我常用一个实习生类比来理解这件事：你只丢一句“把活动方案写一下”，对方大概率只能凭想象凑一篇；但如果你把预算、目标人群、核心环节、交付格式全说清楚，交上来的东西才具备可修改价值。大模型并不比这个实习生聪明多少，它只是在"猜你想要的"这件事上速度极快、词汇量极大。

1.2 提示词不是越长越好，而是越"有序"越好

很多人以为"多写点提示词"就等于做好提示词工程，结果把一大段背景故事、聊天记录、零散要求全粘进去。长提示词真正的问题往往不是长度，而是混乱——关键指令被淹没在无关信息里，模型注意力被稀释。

举个例子。这种写法你肯定见过：

把下面这段文字润色一下，让它更好，不要写太长，顺便帮我改改格式。这一段是关于我们新产品发布的，产品是……因为下周要发给客户……

这里面至少有四件事混在一起：任务（润色）、背景（产品发布）、材料（正文）、要求（不要太长、改格式）。模型需要自己去分辨优先级，结果自然不稳定。对比一下这种写法：

任务：润色。背景：新产品发布邮件。要求：字数≤200，语气正式，包含 3 个卖点。原文（用原文分隔符包裹）：……

不是字数变多了，而是每部分各归其位。任务放最前，材料用分隔符标清楚，要求集中列出来。模型处理起来省力，输出质量自然更稳定。

1.3 从"随缘对话"到"结构化指令"：提示词工程在工程化什么

说到底，提示词工程不是把 prompt 写得更华丽，而是针对一个目标，系统性地设计指令结构、约束条件和示例，让输出变得可预测、可复用、可修正。

我自己写提示词时，默认遵循一张六段式结构：角色（who）→ 任务（what）→ 上下文（context）→ 要求（constraints）→ 示例（examples）→ 输出格式（output format）。不一定每段都要出现，但缺了哪一段，我都会问自己一句：模型现在会不会在这里产生歧义？

接下来第二章的 10 个技巧，本质上就是在打磨这六个组成部分。每个技巧我都附上了正反对比和适用场景，可以直接拿去试。

2. 10 个立刻能上手的提示词技巧，每条都值得你试一次

这 10 个技巧不按难度排列，而按使用频率排列。前几个是日常写提示词的最好切入点，后面几个偏进阶。你不用全部记住，挑最卡你的那一两块用起来就行。

2.1 角色锚定：先给模型一个"人设"，再让它干活

角色为什么管用？因为大模型在默认状态下没有立场，而角色设定是一种极强的概率约束。当你说"你是一位客户成功经理"时，模型会优先调用与这个角色相关的知识范围、语气习惯和行为目标。

对比一下这两条指令：

• 一般写法：请帮我写一封拒绝客户降级要求的邮件。
• 角色写法：你是一家 SaaS 公司的客户成功经理，负责和客户沟通续费事宜。请帮我写一封拒绝客户降级要求、但维持良好关系的邮件，语气礼貌且坚定，200 字左右。

后者明显更接近真人写出来的邮件。原因很简单：角色写法让模型知道"谁来写""写给别人看""要达到什么目的"。

注意别用空泛的头衔，比如"你是专家"就不太行。"专家"这个词已经被用滥了，模型很难激活具体的知识域。要写"有 10 年经验的资深文字编辑""熟悉制造业供应链的运营顾问"这类带背景信息的角色，效果会好很多。

2.2 任务动词前置：第一句话就告诉模型"你要我干什么"

模型的注意力在提示词开头时是最集中的。把任务动词放在最前面，相当于给整段指令定了基调，模型会按对应的任务类型组织后续推理。

对比一下：

• 一般写法：把这段文字提炼一下重点。（任务出现在后半句）
• 改进写法：提炼：请用 5 个要点概括下面这段文字。文字：……

提炼、总结、翻译、改写、分类、提取、生成、比较、排序、优化、修复、解释——这些都是很好的任务动词。我习惯把第一段写成"动词短语 + 补充信息"，像一份工作指令的标题。这个动作看起来很小，但能显著减少模型抓错重点的情况，尤其是在长提示词里。

2.3 双约束法：既要给"做什么"，也要给"不做什么"

很多人给的约束只有范围，没有反向约束。模型默认倾向于输出常见套路，如果不排除你不想要的东西，它就会把那些"安全但平庸"的表达全塞给你。

比如：

给我一个降价促销活动的海报文案。范围：适用于社群发布，100 字以内。反向约束：不要出现"走过路过不要错过"这类老套话术；不要使用感叹号；不要写"优惠力度大"这种空话，而是用具体折扣表达。

加了反向约束之后，模型会主动绕过那些高频模板，反而更容易找到新鲜表达。反向约束不是越多越好，挑 2 到 4 条最影响你判断的即可，否则模型会变得畏手畏脚、什么都不敢写。

2.4 示例驱动：给一个"标准答案"，比写十条要求都管用

少样本（few-shot）提示是提示词工程里效果最稳定的手段之一。原因是，示例里包含大量隐性信息：语言风格、数据结构、讨论深度、判断标准。你嘴上说十句"要专业一点"，不如给它一个专业示例来得直观。

举个例子，做用户评论分类：

将用户评论分类为：售后、物流、质量、其他。

示例：

• 这个充电宝用了三天就发烫，客服还说正常。——质量
• 快递等了一周才到，差评。——物流

现在分类：颜色和图片差太多，实物偏灰。

选示例时要覆盖典型情况和边界情况。两三张示例通常就够，太多反而会稀释任务。示例的输出格式要和你期望的最终输出严格一致——模型会模仿示例的"外壳"，包括是否加序号、是否换行、用词风格等。

2.5 思维链拆分：让模型"先想再答"，别让它一步登天

对于复杂推理类任务，直接要求输出最终答案，模型很容易跳步甚至编造逻辑。引导它列出推理步骤，能明显降低错误率。

举个例子：

我买了 3 件商品，价格分别是 198、256、99，其中一件参与满 200 减 30，另一件参与两件 8 折。请按以下顺序输出：

1. 列出每件商品的原价和适用优惠
2. 分别计算优惠后价格
3. 给出最终合计

每一步都标注所用规则，最后再给结论。

这样模型每一步都在"说人话"，即使中间算错，你也能直接看到错在哪一步，而不是面对一个莫名其妙的最终数字。适合的场景包括数学、逻辑判断、多因素决策、复杂需求分析。但别所有任务都用它——你问"北京今天天气怎么样"还先推理，就纯属浪费 token。

2.6 输出格式强约束：想被程序消费？把格式写死

如果你对接的是 API，输出格式往往决定后续能不能自动化处理。提示词里明确格式，模型的基本合格率会大幅提升。

提取下面合同中的关键信息，只输出 JSON，不要输出任何解释。

字段：contract_no（合同编号）、party_a（甲方）、party_b（乙方）、amount（合同金额，数字）、sign_date（签署日期，YYYY-MM-DD）。

输出示例： {"contract_no": "HT-2023-001", "party_a": "A公司", "party_b": "B公司", "amount": 120000, "sign_date": "2025-06-01"}

两个细节要注意：第一，加"只输出 JSON，不要任何解释"，否则模型往往会在代码块外加上"以下是提取结果"之类的废话；第二，给输出示例能防字段名不匹配，模型会严格对着示例的键名生成。

2.7 上下文信息分层：开头结尾放重点，中间放素材

从实践经验看，模型对输入的开头和结尾记得更牢，中间的内容容易被稀释。这个现象在长文档场景尤其明显。所以分配上下文时，我会这么排：

• 开头：任务、角色、目标
• 中间：背景材料、参考文档，用分隔符明确标出
• 结尾：输出格式、长度、语气等硬性要求

比如：

任务：根据会议记录写 300 字会议纪要。

会议记录（用分隔符包裹）： ……完整记录……

要求：

1. 分"结论 / 待办 / 风险"三部分
2. 待办注明负责人
3. 不要加入记录里没有的信息

分隔符的作用是告诉模型："这一整块只是参考资料，不是指令。"很多无效提示词，问题就出在材料没分隔、指令没优先级。

2.8 温度与 Top-p 联动：同样的提示词，换个参数就是换个性格

有些输出不满意，真不是提示词的问题，而是生成参数的问题。temperature 控制的是概率分布的"锐度"：数值越大，输出越发散、越有创造性；数值越小，越保守、越精准。top_p 则是控制候选集合的口子——按累计概率从高到低截取候选词，到 p 为止，值越大可选词越多。

一个我常用的对照表：

实操建议是：固定一个参数，优先调另一个。不要同时把两个参数都拉到很大，否则输出会飘到你拉不回来的程度。

2.9 多轮对话的上下文管理：别让模型聊着聊着忘了你是谁

连续对话久了，模型经常会跑偏：最初设定的角色被冲淡、格式要求失效、甚至把前面说过的事实推翻。这是因为越早的指令在长时间对话中越容易被后续内容稀释。

我的对策很简单：

• 产品支持"系统提示词 / 自定义指令"的，把核心要求放进去，它是对话中优先级最高的上下文。
• 不支持的，在关键轮次开头补一句"仍按之前的角色 / 任务 / 格式要求执行"。
• 发现风格严重跑偏时，直接开新对话往往比继续纠正更有效率。

很多人觉得"新对话要重新解释一遍很麻烦"，但这恰恰是成本最低的选择。继续在跑偏的对话里打补丁，只会越补越乱。

2.10 迭代修正闭环：一次到位是运气，三次收敛是常态

提示词和代码一样，大概率需要迭代。我的工作流固定是：写初版 prompt → 跑一次看输出 → 找出最大偏差 → 只修改对应那一部分 → 再跑。本质上是把"结果不满意"归因到"具体某个字段"再修正，而不是整段推翻。

几个最常见的迭代动作：

• 输出太啰嗦 → 在要求里加"删掉所有形容词"或"每个要点控制在 20 字以内"
• 输出太干 → 加"包含具体例子 / 数据"或"用故事化表达"
• 格式不对 → 在最后一行强调"只输出表格，不要任何解释"

我还会给自己维护一个"提示词版本记录"，记下第几版改了什么、效果如何。时间长了，这就是比网上任何现成模板都值钱的私房工具库。

3. 模板库：五个高频场景，直接改参数就能用

理论说再多，都不如直接给一份能跑的模板。下面这五个模板我在实际工作中反复用过，覆盖写作、分析、代码、学习、角色扮演五个高频场景。用的时候只需要替换大括号里的变量。

3.1 新媒体文案改写模板

你是一位有 8 年经验的新媒体编辑，擅长把生硬的技术内容改写成普通用户愿意读的公众号文章。 任务：改写下面的素材。 原始素材（用 <material> 包裹）： <material> {粘贴素材} </material> 要求： 1. 开头 150 字内点明读者能获得什么 2. 至少用两个生活化类比解释专业概念 3. 全文分成 3 个带小标题的段落 4. 语气轻松，但不使用网络流行语 5. 总字数控制在 {800} 字左右 输出结构：标题（3 个候选） + 正文

这个模板里的关键是"用两个生活化类比"和"3 个候选标题"。前者直接在输出中注入了一个可感知的质量标准，后者让你有选择空间，不用被模型第一次给的结果框住。

3.2 数据分析报告模板

你是一位拥有 5 年经验的商业数据分析师。 下面是对某产品一段时间内的数据，请给出分析。 数据： {粘贴数据} 输出要求： 1. 先用 3 句话给出最核心的结论 2. 每个结论附一条数据证据 3. 指出 3 个容易被忽略的信号 4. 最后给出 3 条可落地的建议 约束：不许编造数据；如果数据不足以得出结论，请直接写明"数据不足，无法判断"。

我经常看到有人让 AI 分析数据，却不说清楚"不许编造数据"。模型一旦找不到足够信息，就会顺手编一个平均数或趋势。加上最后这条约束，它会倾向于如实告诉你"信息不够"，这是分析场景最容易翻车的地方。

3.3 代码生成与修改模板

你是资深 Python 工程师，擅长写可维护、带类型注解的代码。 任务：{实现 / 修改}某个功能。 需求：{粘贴需求} 输出要求： 1. 先给出设计方案，不超过 200 字 2. 再输出完整代码 3. 代码中要处理空值和异常情况 4. 附一个调用示例 约束：除非必要，不要引入第三方依赖；代码用代码块包裹。

加"先给设计方案"很重要。它会强制模型在动手前把思路理顺，避免你拿到一堆结构混乱的代码。让模型用代码块包裹输出，则能防止它把代码和说明文字混在一起，方便你直接提取。

3.4 知识拆解学习模板

你是擅长成人教育的专业讲师，习惯把复杂知识拆解成可执行的步骤。 我正在学习 {主题}，目前基础是 {描述}。 请： 1. 把该主题拆成 5 个递进的学习阶段 2. 每个阶段给一个可检验的目标 3. 每个阶段给一个 10 分钟内能完成的实践练习 4. 说出这一主题最容易踩的 3 个误区 5. 最后给我一个 30 天的学习计划表（表格形式）

这份模板适合自学任何新领域。用"可检验的目标"而不是"理解概念"这类虚词，避免知识拆解流于形式。比如"理解 Python 列表"可以改写为"能用列表完成 3 道列表操作练习题"。

3.5 角色模拟对话模板

你现在扮演 {角色名}，设定：{性格、背景、说话风格、知识边界} 对话规则： 1. 全程保持角色人设，不跳出角色 2. 每次回答不超过 {80} 字 3. 被问到超出知识边界的问题时，用符合角色设定的方式回应 4. 不要以"作为 AI"等口吻解释设定 场景：{场景描述} 现在开始，{第一句话}

这条模板我常用于面试练习、销售对话演练、外语口语陪练。核心是"知识边界"这四个字——真实角色不可能什么都懂，不给边界模型就会以一个全知的视角回答你，失真感极强。

3.6 这些模板的共同点：都只改了五个槽位

观察一下上面五个模板，你会发现它们本质上是在同一个骨架上替换不同的值：角色、任务、要求、示例、输出格式。这就是我前面说的六段式结构的简化版。

你完全可以拿这个骨架去造自己的模板：先写清楚角色，再写任务，用要求去收窄范围，用示例锚定输出形态，最后写明格式。模板不是死的，它只是帮你把每一次思考的时间省下来。

4. 模板不生效？从这四个角度排查，九成问题能解决

模板用久了，总会遇到"明明照着写的，模型却不听"的情况。别急着推翻重来，先按下面的顺序过一遍。

4.1 角色失效：检查角色和任务是不是冲突了

最典型的情况是，你设置了"资深诗人"，却让它写代码；你设置了"项目经历丰富的产品经理"，却让它输出财务报表。角色与任务不匹配时，模型会倾向于用通用知识来回答，角色设定形同虚设。

另一种情况是角色设定被淹没在长上下文里。角色描述放在最开头，且控制在 2~3 句话内，是最稳妥的。写太长的背景故事反而会让模型抓不住重点。

4.2 输出格式不对：先看提示词最后一行写了什么

很多人说"我要表格"，但没说"不要解释"。模型经常在表格前后加一段说明文字，导致你没法直接复制。解决方式很简单：在提示词最后写一句"只输出表格，不要任何解释"。还不行，就补一个期望输出的示例，让模型照着格式复刻。

4.3 输出太泛太假：约束太抽象，"平均化输出"就是这么来的

输出读起来很顺，但就是没用，往往是要求里的质量标准太抽象。把"要好一点""要生动""要专业一些"这类词，换成可检验的描述："要有具体时间地点人物""要包含一个数字""举例时用真实场景"。

如果模型在编造数据，直接加一条"数据不足，就明确说明数据不足"。这条约束能省掉你大量核对事实的时间。

4.4 提示词越改越长效果越差：检查信息分层是否被破坏了

我给自己订过一条规矩：提示词超过一屏，就重新检查"任务"是否还在前三行以内；所有背景材料用分隔符包好；一个提示词里原则上只放一个核心任务，有多个任务就拆成多个对话依次跑。

这条规矩救过我太多次。很多人遇到效果变差，第一反应是继续往提示词里堆内容，结果关键指令被埋得更深，模型只能在大量背景信息里猜你要什么。

最后再分享一个小习惯：在本地建一个"提示词版本记录"文件，每个模板记四条——适用场景、当前版本、提示词全文、效果备注。我坚持维护了大半年，现在遇到新任务第一反应是去翻自己的模板库，而不是从零开始写。提示词工程的真正价值就在这里：它不是一次性的灵光一现，而是可积累、可复用的工程资产。