企业官网建设流程全解析

1. 在动手之前，先搞明白提示词工程到底在做什么

这两年我自己用大模型最深的体会是：同样一个模型，有人拿来写方案觉得"智能得吓人"，有人拿来写周报觉得"蠢得想砸键盘"。差距往往不在模型本身，而在你开口之前脑中那个模糊的需求，和你最终敲进对话框里的那一串文字之间，损失了多少信息。

很多人把提示词工程当成一种"咒语背诵大赛"，看到某个看似神奇的提示词模板就复制收藏，换一个场景用却发现完全不灵。原因很简单：提示词工程真正做的事情，不是背咒语，而是把"我到底想要什么"这件事，用模型能理解的方式讲清楚。

大模型本质上是一个"极度配合、知识面很广、但完全不会读心术的实习生"。它没有你的工作背景，不知道你做这件事的真实目的，也不了解你喜欢的表达风格。它唯一能依据的，就是你给它的那段文字。你给的文字越含糊，它的猜测空间就越大，翻车的概率自然就越高。反过来，你给的文字越具体、结构越清晰、约束越明确，它就越能把自己庞大的知识储备对准你要的方向输出。

这就是提示词工程底层最核心的逻辑：通过设计输入，压缩模型的猜测空间，把"随机开盲盒"变成"定向输出"。

顺着这个逻辑往下走，你会发现提示词工程其实分两个层次。第一个层次是"单次提示词优化"，也就是我们下面要讲的这10个技巧，解决的是"怎么把一句话问好"的问题。第二个层次是最近圈子里讨论越来越热的"上下文工程"。如果说单次提示词是"一句话怎么说得清楚"，那上下文工程就是"整个对话过程中，如何持续保持信息质量和上下文一致"。

为什么说上下文工程是提示词工程的延伸？拿我自己举例子，早先我习惯把整个任务塞进一条提示词里，对话一长就发现模型开始"失忆"：聊了二十轮之后，它忘了最开始指定的角色，忘了输出格式要求，甚至开始自己编造前面的结论。后来我才反应过来，不是模型变笨了，是我一直只关注"提示词写得好不好"，却忽略了整个上下文窗口里信息的组织方式。把提示词工程理解为"开口第一句话怎么说"，把上下文工程理解为"整场对话怎么布局"，会更准确。

我给自己的实践定了一个简单的判断标准：如果一个问题我只问一次，那是提示词工程；如果我需要多轮对话、逐步迭代、模型要记住前面多个要求，那就是上下文工程。两者不矛盾，而是递进关系。理解了这层关系，再看下面这10个技巧，你就知道它们各自解决的是哪一层的问题。

2. 十个能立刻上手的技巧，我按使用场景分了三组

技巧这东西，全堆在一起容易让人看完就忘。我自己平时用下来，习惯把这10个技巧按"基础三招、进阶四式、防翻车三招"来分组。基础三招解决"模型能不能听懂"，进阶四式解决"输出质量够不够好"，防翻车三招解决"结果稳不稳定"。

这里面每一个技巧都不是我拍脑袋编的，都是这半年我在写方案、做调研、写代码、处理数据这些真实场景里反复试出来的。下面每个技巧我都会讲清楚它为什么有效，然后附上一个可以直接复制改用的模板。

2.1 基础三招：先把意图说清楚

技巧一：角色锚定法

这是最简单、见效最快的一招。给模型设定一个身份，等于帮它在庞大的知识库里画了一个检索范围。

我见过很多人用这招，但用得很粗糙。上来一句"你是一个资深专家"就结束了，模型根本不知道是哪个领域的专家、什么风格的专家、站在什么立场上的专家。角色设定越笼统，效果越差。

我给你看我踩过坑之后定的模板：

你是一位有10年经验的{行业}从业者，同时在{细分方向}上有过完整的项目落地经验。 你的特点：{表达风格，如"逻辑严谨、喜欢用数据说话"} 你的立场：{如"站在业务方角度"} 现在请以这个身份，帮我{具体任务}。

举个实际对比。普通问法："帮我写一段产品的介绍文案。"模型大概率会给一段四平八稳、放在哪个产品上都能用的套话。用角色锚定："你是一位深耕消费电子行业8年的产品营销负责人，写东西从不堆砌形容词，喜欢用具体参数和使用场景打动人。请以这个身份帮我写一段无线降噪耳机的电商详情页文案。"出来的东西就会完全不一样，因为它锁定了表达方式、语气和对产品的理解角度。

技巧二：结构化指令

人的大脑喜欢条理清晰的信息，大模型也一样。你给它一坨没有编号、没有分隔符的文字，它需要自己解析哪里是背景、哪里是要求、哪里是输出格式，解析出错自然就答偏了。

我的做法是：用分隔符（比如"---"或"==="）把指令拆成区块，每个区块只承担一个职责。这个习惯我从去年开始用，之后就再也回不去了。

# 任务 {一句话说明你要做什么} # 背景 {提供完成任务所必需的背景信息} # 要求 - {要求1} - {要求2} # 输出格式 {说明你期望的格式，如Markdown表格、JSON、分点列表}

这里有个关键细节：背景信息不是越多越好。我见过有人把几十页的资料一股脑粘进去，结果模型抓不住重点。你要做的是提炼，只把和任务直接相关的信息放进去。信息量过大时，模型对关键点的注意力会被稀释，这个在心理学上叫"注意力稀释"，在大模型上体现得更加明显。

技巧三：任务拆解法

一个复杂的任务直接丢给模型，它经常会给你一个"表面完整、实际空洞"的回答。这不是模型偷懒，而是任务本身包含太多子步骤，它不知道你优先关注哪个环节。

任务拆解的思路是：把一个模糊的大问题，切成一个清晰的小步骤序列，每一步只做一件事。

请按以下步骤处理这个任务： 第一步：{先做什么，如"提取关键信息"} 第二步：{再做什么，如"对信息分类"} 第三步：{最后做什么，如"写成结论"}

举个例子，我让模型帮忙整理会议纪要。如果只说"帮我整理这份会议纪要"，得到的往往是流水账。但我把任务拆成三个步骤："第一步，提取所有决定和结论；第二步，列出所有待办事项并注明负责人；第三步，挑出存在争议的关键问题。"输出质量立刻就不是一个level。

2.2 进阶四式：把输出质量拉上去

技巧四：示例引导法（Few-shot）

这是我自己最常用的技巧之一，原理非常简单：与其用抽象的语言描述你要什么，不如直接给模型一两个具体的例子，让它照着你的样子输出。

人对"抽象规则"的理解能力很强，比如我说"请用口语化的风格写"，你能立刻调整。但大模型对抽象形容词的理解经常飘忽不定。你告诉它"要有网感"，它理解为加一堆括号和网络流行语；你告诉它"要专业"，它就给你堆术语。这时候最有效的办法是：别解释了，给例子。

参考下面的例子，完成同样的任务。 输入：{示例输入} 期望输出：{示例输出} 现在请你处理： 输入：{新的输入}

示例的数量一到三个足够。给太多，模型的注意力会被示例内容本身吸引，反而忽略了你的真实需求。选示例时要注意：示例的风格、长度、结构一定要是你真正想要的，因为它会严格模仿。

技巧五：思维链引导法

如果你让模型做逻辑推理、数学计算、方案权衡这一类需要"想清楚再回答"的任务，一定要让它"先把思考过程写出来"，再给结论。这个技巧在圈子里通常叫思维链（Chain of Thought），用下来的效果非常稳定。

原理不难理解：大模型在生成文字时，它的思维过程和输出过程是绑定的。如果它直接给结论，中间那些"该想到没想到"的推理环节就不会被触发。但你让它分步写出来，每一步的输出都会成为下一步的输入，推理过程就被强制展开了，错误率显著下降。

请一步一步思考，把你的推理过程完整写出来，最后再给出结论。

注意一个细节：如果任务特别简单，不需要用这招。杀鸡焉用牛刀，思维链会让模型输出大量文字，增加你阅读和验证的成本。只在任务有复杂度、一步到位容易出错时使用。

技巧六：格式强约束

很多时候我们觉得模型输出"不专业"，其实是格式问题。它给的内容是对的，但呈现方式让人抓狂。解决方式非常简单：明确指定输出格式。

请用Markdown表格输出，表头包含：{列1}、{列2}、{列3}。 每个单元格的内容控制在{字数}以内。

这里我要分享一个我的真实体验：只要在提示词里指定了表格或者JSON格式，模型输出的内容质量就会跟着提升。为什么？因为格式约束本质上也是在约束思考结构。比如你让模型输出一个"优势、劣势、建议"三列的表格，它就会自动从这三个维度去组织内容，而不会写成一篇没有脉络的散文。

技巧七：主动提问澄清

这个技巧是我从产品经理同事那里学来的。模型不是不能反问，而是默认不反问。它宁可猜，也不愿意追着你问，因为训练数据里很多指令都是"直接回答"。所以你需要在提示词里明确允许它提问。

在回答之前，如果我的需求有不清楚的地方，请先问我最多{数量}个问题，确认清楚后再回答。

这个技巧特别适合用在"需求本身还没想明白"的场景。比如你想做一个用户调研方案，但不确定调研目标，你直接让模型给方案，它也能给你，但大概率是通用模板。让它先问三个问题："调研的目的是什么？目标用户是谁？决策者关心的核心指标是什么？"这时候你会发现自己被AI带着把需求想清楚了，再拿到的方案才真正能用。用在写作场景里也一样，让它先确认读者对象、篇幅、风格，再动笔，出来的东西命中率高得多。

2.3 防翻车三招：把救火变成防火

技巧八：负面约束法

很多人写提示词只写"要什么"，不写"不要什么"。但模型对于"不要什么"的理解经常和你想的不一样。你让它"写一段产品介绍，不要官方套话"，它可能还是会不自觉带出"致力于""引领"这类词。这时候直接列出禁区，效果立竿见影。

注意，输出内容必须满足以下约束： - 不要使用"首先/其次/最后"这类连接词 - 不要出现"赋能""抓手""闭环"等空泛词汇 - 不要超过{数字}字 - 不要给出模棱两可的结论

这个技巧看着简单，实际用起来非常神奇。有一次我让模型帮我改写一段项目总结，它反复给我输出一套"在XX的指导下，围绕XX目标，扎实推进XX工作"的八股腔。我试着列了一条负面约束"不要出现中国式公文套话"，输出立刻正常了。模型是真的能理解负面指令，只是你需要说得足够具体。

技巧九：自检法

模型也会在输出里藏一些逻辑漏洞、事实性偏差。很多时候不是它不懂，而是它在生成时"只顾着说，没顾着验证"。你可以在提示词里加一步自检要求。

输出完成后，请自己重新审视一遍你的回答，检查： 1. 是否存在事实性错误； 2. 是否存在逻辑前后矛盾； 3. 是否完整回答了用户的问题。 如果发现问题，请直接在原回答上修正并标注修正点。

这里有个小细节我在意过：到底是"重写一遍"还是"在原回答上修正"？我的经验是，让它在原回答基础上修正，比让它重写一遍更实用。因为它能保留原本正确的部分，只修正有问题的地方，不至于把一个80分的答案重写成60分。而且你让它标注修正点，相当于逼它说清楚改了什么、为什么改，这个过程本身就在促进它重新思考。

技巧十：模板化封装

前面的技巧都是单次会话层面的。但真正让我效率翻倍的，是最后一个技巧：把验证有效的提示词固化成模板，放进自己的模板库。这就是标题里说的"模板库"的意义——一次性设计，永久复用。

【任务类型】{总结类 / 写作类 / 分析类 / 翻译润色类} 【角色设定】 {你是一个……} 【任务描述】 {请帮我……} 【背景信息】 {相关背景……} 【输出要求】 - 结构：…… - 风格：…… - 字数：…… 【负面约束】 - 不要…… - 避免…… 【示例】 输入：…… 期望输出：……

这个模板不是让你每次一个字母不改地复制。它的价值在于，你只需要替换花括号里的变量，就能稳定复现之前验证过的效果。我会在每一条模板后面加一行备注，记录"这个模板适合什么场景、上次用的时候踩了什么坑"，这样放三个月再看，依然能秒懂。

3. 搭一个自己的模板库，让技巧沉淀成资产

技巧聊完了，现在说说怎么把这些东西系统化地管理起来。因为技巧是"一次性用"，模板库才是"可持续用"。

3.1 模板库的通用骨架

我自己用的模板库结构很简单，但很有效。任何一个模板都被我拆成六大块：任务、角色、背景、要求、输出格式、示例。这六块的顺序不固定，但每一条模板都力求填满这六块。

# 任务 {一句话说清楚要做什么} # 角色 {给模型设定身份} # 背景 {只放和任务直接相关的信息} # 要求 - {正向要求，写清楚你要什么} # 输出格式 {表格 / JSON / 分点列表 / 文章段落} # 示例 {至少一个输入输出对，风格越精准越好}

这个骨架不是我发明的，是从我平时大量的试错里提炼出来的。我统计过，凡是让我觉得效果惊艳的提示词，几乎都覆盖了这六块；凡是效果稀烂的，基本都缺了好几块。后来我干脆把六块当成必填项，缺什么补什么，哪怕某一块只有一句话，也要占个位。原因很简单：这六块本质上对应的是模型在回答前需要明确的六个基本问题——你要干嘛、你是谁、你不知道但你需要知道什么、你的底线在哪里、你希望结果长什么样、有没有参照物。

3.2 两个高频模板，拿来就能直接用

模板这东西，说再多不如直接给能用的。我挑两个我每月至少用十次的高频模板，完整拉出来。

第一个是"信息提炼模板"，适合处理大量资料。我通常在调研竞品、看行业报告、读长文章时用这个：

你是我的高级研究助理，擅长从冗长资料中提取关键信息。 任务：阅读以下资料，提炼出{指标/观点/数据}。 要求： 1. 用Markdown表格输出，列为：原文出处、关键信息、我的备注； 2. 每条信息不超过{字数}字； 3. 不要添加原文没有的信息； 4. 按重要程度降序排列。 资料如下： --- {粘贴资料} ---

第二个是"文案改写模板"。这个我用来处理各种需要"换个风格说话"的场景，从公众号标题到周报摘要都能用：

你是一位擅长{风格}的资深编辑，曾长期为{目标读者}写稿。 任务：改写下面这段文字，保留原意，但改成{风格}的表达方式。 要求： - 篇幅控制在{字数}以内 - 不使用{禁用词} - 可以参考这个风格示例：{示例} - 如果原文有事实信息，不得遗漏；如果原文是主观表述，可适当增强语气。 原文如下： --- {粘贴原文} ---

这两个模板我大概用了半年，最直接的感受就是：以前每次想让AI帮忙都要现场想半天怎么描述需求，现在只需要填变量，三十秒内能发起一个高概率获得高质量回答的请求。

3.3 模板库管理经验

存模板只是第一步，让模板库真正"活"起来才是关键。我踩过的坑有两个，写出来帮你避开。

第一个坑是只存模板不存备注。有一次我看到自己以前存的一个模板，写得很完整，但完全想不起来当初是在什么场景下验证的，输出效果到底如何，有没有什么副作用。后来我给自己定了一条规矩：每条模板必须附带使用说明，包含三个字段——适用场景、预期效果、已知问题。这样即便三个月后再看，也能判断该不该用。

第二个坑是模板越存越多，最后自己都懒得翻了。解决办法是精简化：一个模板如果连续两个月没被用过，我就把它归档到"冷门目录"，主目录只保留高频使用的。毕竟模板库的价值不是"多"，而是"快"。翻半天找不到合适的模板，还不如自己重新写一条提示词。

4. 上下文工程：让整个对话从头到尾不跑偏

前面说过，单次提示词优化只是第一个层次。接下来聊聊上下文工程——最近讨论越来越多，也是很多人在多轮对话里反复栽跟头的重灾区。

4.1 上下文窗口就是一个"工作台"

你可以把上下文窗口想象成一张工作台。你在这张台子上放了什么资料、什么指令、什么示例，模型就基于这些东西来组织回答。问题在于，这张台子是有限的——一次对话里前面你发的内容、模型回的内容都在占用台面空间，而且不会自动清理。

这就是为什么多轮对话后模型会"忘掉"你最开始的要求。它不是真的忘了，而是最初那条关键指令已经在对话中被大量新内容挤到边缘位置，它在生成新回复时对早期信息的注意力被稀释了。

理解了这个机制，你就知道上下文工程的核心任务了：管理好工作台上信息的排列方式，让关键信息始终处于显眼位置。

我说个最实用的操作。如果一段对话预计会很长，我会把最重要的指令放在最开始，中途每隔几轮重申一次关键约束，并且在新的问题出现时，把该轮想强调的要求放在问题前面，而不是后面。比如：

（重申一下，请继续保持第1条要求：用表格输出，不超过500字。） 接下来分析这个新问题：……

这种做法看着啰嗦，但实测下来效果立竿见影。模型的注意力分布是有规律的，越靠前和越靠后的信息权重越高，中间部分的信息最容易被忽略。所以关键约束要前置，当前要处理的问题要紧挨着你的输入，让模型在生成回答时能同时注意到这两头。

4.2 减少上下文里的"噪声"

上下文工程里还有一个容易忽略的维度：对话里积累的噪声。每一条无关的闲聊、每一个跑偏的回答、每一次"这段话不用管"的内容，都在消耗模型的注意力。

这个道理和开会一样：会议室里坐了三十个人，发言人的注意力必然被分散；只有四五个人坐在那里，沟通效率反而最高。我现在的做法是，当一段对话已经聊了很长时间、积累了太多历史信息，我不会硬撑，而是重开一个新会话，把上一轮得出的关键结论手动贴过去，作为新一轮对话的上下文起点。

另外一个非常实用的技巧是"利用总结来压缩上下文"。当对话变得很长时，我会让模型先对之前的要点做一个总结，然后在新会话中把这段总结作为起点，而不是直接把整段长对话搬过去。

请用5条要点总结我们刚才对话中达成的一致结论，每条不超过20字。

这个动作相当于给工作台做了一次大扫除：清掉无关的过程性信息，只保留关键结论，为后续对话留出充足的注意力空间。

把提示词工程和上下文工程放在一起看，我的理解是：提示词工程解决的是"每一句话怎么说"，上下文工程解决的是"整场对话怎么布局"。两者叠加，才能稳定产出高质量结果。

5. 常见问题排查与避坑实录

用的时间长了，总会遇到各种问题。我把自己在实践中最常碰到的五类问题整理成一份"排查手册"，每一个都是真实踩过的坑，后面都跟着我验证过的解法。

5.1 五类高频问题的排查手册

问题一：模型回答太啰嗦，抓不住重点

这可能是最常见的抱怨。原因是你的提示词里没给模型的"篇幅"和"结构"施加约束。排查模板：

• 明确字数上限：不要只写"简短"，要写"不超过200字"
• 明确结构：开头一句话给结论，后面用分点补充论据
• 加上"去掉铺垫和总结，直接给核心内容"

有一次我让模型总结一份五十页的行业报告，一开始它给了一千多字的摘要，看完和读完原报告差不多。后来我改成了"请用5条bullet point，每条不超过30字，提炼出报告中最反直觉的三个结论和最值得关注的两个数据"，输出立刻实用得多。

问题二：格式不稳定，一会儿表格一会儿分点

模型对格式的理解有时会"叛逆"。我曾经让模型用表格输出，它给了我表格嵌套表格。排查做法：

• 用代码块包裹你的格式要求，让它知道这是硬性约束
• 在示例中直接给一个格式准确的例子
• 如果还是不稳定，加上一句"严格使用该格式，不得使用其他格式"

问题三：模型一本正经地编造信息

幻觉问题不是提示词能百分百解决的，但可以显著降低。我的做法是：

• 明确要求它区分"原文信息"和"推测信息"
• 加上"如果你不确定，请直接说不知道，不要猜测"
• 对于关键数据，要求它标注信息来源

特别是做调研类任务时，我会在提示词里加一句："对于任何数字和引述，如果原文没有，请标记为[未核实]，不要自行推断。"这一句话能救回很多被幻觉玷污的调研报告。

问题四：角色设定用着用着就失效了

这在长对话里非常常见。原因是模型对早期角色的注意力被后续对话稀释了。解法有三个：

• 对话中途重申角色：在新一轮提问前加一句"你仍然是我最开始指定的{角色}"
• 把角色设定放在每一轮关键提问前，而不是只在第一轮出现
• 利用系统提示/自定义指令功能，把角色固定在对话的首部

问题五：上下文太长后模型越聊越傻

这是上下文工程问题。排查顺序：

1. 先检查是不是信息堆太多了，试着压缩上下文——让模型总结一下目前的共识，然后开新会话继续
2. 检查是否有冗余的历史信息在消耗注意力——删掉无关的问答
3. 检查是否所有当前问题都需要之前的历史背景——如果不需要，直接开新会话更高效

5.2 一条最值得记住的经验

写提示词这些年，如果让我只留一条经验，那就是：把提示词当成代码来写，而不只是随手打的一段话。

代码需要清晰的变量名、需要结构化、需要注释、需要版本控制，提示词也一样。我给重要模板都建了版本记录，每次迭代都备注改了什么、为什么改。比如某条模板从"v1.0"到"v1.1"，我记得清清楚楚，是因为v1.0总是输出太冗长，所以加重了格式约束和负面约束。

这段经验能让你从"每次都在重新发明轮子"的泥潭里爬出来。当你把提示词当作自己的生产资料来经营，你会发现它带给你的不是一次两次的好输出，而是长期稳定的生产力。

最后再分享一个小技巧：遇到一个效果很不错的提示词时，试着反向拆解一下它到底为什么有效——是角色设定起了作用，还是格式约束？是示例引导了风格，还是负面约束拦截了废话？拆解一次，你对提示词工程的理解就加深一次，下次遇到新场景时你就不再是"背模板"，而是真真正正会设计了。