企业官网建设流程全解析

写 Prompt 这件事，我前后折腾了至少两年。最开始我以为，提示词不过就是把需求说清楚，“帮我写一段文案”“给这段代码找 bug”，后来才发现这种想法害了不少人。你把一句话丢给模型，模型就只知道这一句话；模型生成的每一次回答，都只能从你提供的上下文里找线索。提示词不是“命令”，而是一份“沟通需求说明书”，它决定了模型在生成时能看到什么、愿意往哪个方向走、最终交给你什么样的东西。

今天这篇不聊虚的理论，只讲我实际用下来最有效的一套提示词拆解方法，以及从零到一迭代提示词的全过程。内容适合刚刚接触大模型的初学者，也适合那些已经写了很久、但总觉得输出不稳定的开发者。只要你能掌握后面那六个要素，再按第三部分的三步走实操一次，你写提示词的水平会比现在高出一大截。

1. 提示词到底在解决什么问题

1.1 提示词的本质：跟模型做一次需求对齐

很多人把大模型幻想成一个全知全能的助手，以为它天然懂你的业务、懂你的用户、懂你的审美标准。实际上，对话模型在每一次生成时，只能依赖它看到的上下文来推断你要什么。你给它五句话，它就基于五句话来发挥；你给它五百字的背景，它才能基于五百字来发挥。提示词的作用，本质上是把你脑子里已经默认为“不需要说”的信息，全部显式地告诉模型，完成一次需求对齐。

这个道理很像带实习生。你招来一个能力很强但对业务一无所知的新人，只丢一句“帮我整理一下这个季度数据”，然后人走了。过了一会儿他交来一份数据，你一看就冒火：范围不对、口径不对、格式不对。明明你心里有一套默认规则，比如“只看华东区”“按产品线汇总”“输出成对比表格”，可你一个字都没说，凭什么都指望对方猜得到？大语言模型比实习生的“猜谜能力”更弱，它连常识性推测都依赖训练数据，而且不会主动追问，只会顺着你的话头往下编。所以提示词写不好，第一责任人通常是我们自己，而不是模型。

还有一种常见的误解，是认为提示词写一次就能用一辈子。同一个任务，换成不同的需求背景、不同的目标用户、不同的质量标准，提示词里的角色、背景、约束都要跟着调。哪怕只是把“给新用户写欢迎语”改成“给流失用户写召回文案”，称呼、语气、利益点、篇幅、禁忌，全都要重新做一次对齐。想要一次回答稳定落进你的期待区间，就必须先把双方信息差抹平。

1.2 为什么同一句话换个说法，结果千差万别

我见过不少人试过同一个问题，比如“帮我写一个新年祝福”，得到的结果平淡无奇；再把问题改成“你是公司行政主管，要替老板给全体员工写新年祝福，老板的风格偏简洁务实，要求提到过去一年的业绩、感谢团队、展望新一年，长度控制在 80 字以内”，得到的结果立刻有模有样。表面上是加了几个词，实际上是改变了模型对生成空间的约束方向。

这里可以做一个很粗浅但好用的理解：大模型生成回答时，不是从某个“标准答案”里复制，而是在一个巨大的“可能性分布”里逐词采样。它每生成下一个词，都会根据前面的文字计算哪些词更符合这个语境。你的提示词越是具体，语境就越明确，被选中概率高的词汇就越靠近你想要的表达方向。反之，提示词过于开放时，模型只能退回到最通用的表达习惯，输出自然显得平庸、安全、四平八稳。

我常跟朋友打的一个比方是：提示词像调色盘。你只对画师说“画个苹果”，他会画最标准的红苹果；你说“画一个放在铝饭盒里的富士苹果，光照来自左上角，风格偏写实”，他才能画出你心里那个画面。模型也是这个逻辑，甚至更依赖文字描述。你描述得越准确、约束得越清晰，结果越接近脑内预期；什么都不说，就等于把审美决策权完全交给了模型。

2. 提示词拆解：六个要素决定输出质量

2.1 不是写得长就叫好，关键是要素全

我早期写提示词，特别容易走两个极端。一是极度偷懒，一句话了事；二是拼命堆背景，把几百字说明糊上去，结果模型还是抓不住重点。后来我总结出一套自己的“六要素”框架，每一次写提示词，先在心里过一遍清单，看看哪些要素没给全，再动手组装。这六个要素分别是：角色、背景、任务、约束、输出格式、示例。

要特别说明一点：六个要素不是每次都要写全。简单任务只需要任务加约束；复杂任务则需要全部拉满。关键不是追求篇幅，而是保证模型不缺关键信息。比如你让模型“判断这段评论是正面还是负面”，角色和背景都可以省略，但你最好把输出格式写成“只输出‘正面’或‘负面’”，否则它会给你分析出三大段。

• 角色：告诉模型它应该以什么身份来处理这个任务。身份会影响措辞和思考视角。
• 背景：提供任务相关的现状、痛点、受众、数据，让模型知道你在什么场景下提问。
• 任务：一句话说清楚你要模型做的事情，动词要明确，比如“写”“改”“整理”“分析”。
• 约束：限定生成内容的规则，包括字数、风格、禁忌、必须包含的要点。
• 输出格式：指定返回内容的结构，比如分点、表格、JSON、标题加正文。
• 示例：给出一个符合你标准的例子，让模型照着这个标杆去生成。

这六要素里，最容易漏的是“示例”。模型确实能听懂抽象描述，但对“好”和“坏”的边界仍然模糊。你只说“幽默一点”，它可能幽默得很尴尬；你给一个幽默的样例，它的模仿能力立刻展现出来。少样本示例是提示词工程里性价比最高的一招，后面我会专门展开。

2.2 一个模板把要素全部收拢：从问题到框架

把六要素串起来，可以套用一个很基础的模板：

角色：你是[职业/身份]，擅长[能力领域]。 背景：[当前是什么情况 / 目标受众是谁 / 有哪些已知信息]。 任务：请[具体动作]，完成[具体目标]。 约束： 1. 风格上要[语气/风格要求]； 2. 不要出现[禁忌内容]； 3. 篇幅控制在[字数和结构要求]。 输出格式：[标题 + 正文 / 表格 / 列表 / JSON，写明预期组织方式]。 示例： [输入样例 -> 期望输出样例，或直接给一段符合要求的示范文本]

这个模板看起来简单，但实际用起来非常顺。我想强调的是，模板的顺序也有讲究。把角色放在开头，是让模型在读到任务之前先进入一个“人设状态”；背景放在角色之后任务之前，是为了让它在执行任务之前先获得足够上下文；约束和输出格式尽量单独列出，是为了避免混在任务描述里被模型忽略。

我在使用过程中发现，很多人会在写任务时顺手把约束写进去，比如“请你写一个关于环保的、语言生动的、不超过 200 字的演讲稿”。结果模型经常顾此失彼，记住生动就忘了字数限制。原因在于这种混排把多段信息压缩在一个句子里，模型的注意力不容易均匀分布。把约束拆成独立几行、每条单独成行之后，遵守率明显提升。语言模型对结构化输入的处理能力比对连续长句强得多，这一点越在复杂任务上越明显。

3. 实操三步走：从一句话到完整提示词模板

3.1 第一版：只有任务，输出“能用但没灵魂”

这部分我想用一条完整的实例带你看一遍迭代过程。假设我们要运营一款保温杯，目标是在内容平台上发布种草笔记，于是我们让模型帮忙写文案。

第一版提示词：

帮我写一条保温杯的种草文案。

这个提示词应该是很多人的起点。它的确能得到一段文案，但结果通常非常模板化：堆砌“高颜值”“大容量”“保温效果很好”这种没有辨识度的卖点，开头“今天给大家分享一款超好用的保温杯”，结尾“姐妹们冲就完了”，除了语气是小红书味，内容几乎没有差异度。更麻烦的是，因为模型不知道你的产品参数、目标人群和平台规则，它只能用训练数据里最常见的保温杯特征来填充，最后你还要花大量时间自己改。

第一版的问题不是模型不努力，而是信息太稀薄。它不知道这款杯子的核心卖点是 24 小时长效保温还是轻便；不知道受众是通勤上班族还是户外露营党；不知道你想秀颜值还是谈功能性；不知道平台要求避免哪些夸张用语。所有“关键默认值”都缺失时，模型回到最安全也最平庸的表达，几乎是必然结果。

3.2 第二版：补上角色和背景，输出开始对味

第二版提示词，我先把角色和背景这两个要素补上：

你是一位资深生活方式编辑，擅长写种草笔记，特别懂年轻女性用户的喜好。 背景：我们要推一款主打“长效保温”的保温杯，核心卖点是： 普通保温杯 6 小时后水温可能降到 50 度以下，这款能做到 24 小时仍保持 60 度以上。 杯身重量只有 220 克，非常轻；外观是低饱和度的莫兰迪色系。 目标用户是城市通勤族和周末露营的年轻人，她们在意实用，也看重杯子是否好看、拍照是否出片。 任务：请为这款保温杯写一条内容平台的种草文案，突出长时间保温、轻便、颜值这三件事。

这一版明显比第一版好写很多，模型不再泛泛而谈，开始围绕“24 小时”“220 克”“莫兰迪”这些具体信息组织内容，语气也更贴近生活方式博主的表达。但如果你拿这一版的输出去发布，还是会发现两个问题：一是结构比较随意，有时开头很突然，有时结尾没有互动感；二是它容易“用力过猛”，比如为了强调保温，直接写“保你喝一口就记住一辈子”，这种表达虽然生动，但放在真实产品文案里可能夸张过头。

问题出在哪里？背景给了，任务也明确了，但缺了“约束”和“输出格式”。模型的创作自由度依旧太大。它不知道篇幅应该控制在多少字以内，不知道是否要用第一人称，不知道必须分成几段，也不清楚平台对夸张宣传的限制。留给模型的自由裁量空间越大，结果就越不可控。

3.3 第三版：结构化完整模板，直接可用

第三版，我把六要素全部补齐，尤其是约束和输出格式。写出来的提示词会长一点，但稳定性非常高：

角色：你是一位资深生活方式编辑，写作风格细腻但不煽情，擅长把产品卖点融入具体场景，而不是单纯堆功能参数。 背景：我们推出一款主打“长效保温”的保温杯，核心卖点如下： - 保温性能：普通保温杯 6 小时水温降至 50 度以下，这款在 24 小时后仍能保持 60 度以上； - 便携性：空杯重量 220 克，约等于一个苹果； - 颜值：低饱和莫兰迪色系，哑光漆面，适合拍照。 目标用户是城市通勤族和周末露营的年轻人，她们希望杯子既实用又能成为日常穿搭的一部分。 任务：请创作一条内容平台风格的种草文案，目标是激发用户想拥有这款杯子的冲动。 约束： 1. 用第一人称“我”，有真实使用的感觉； 2. 正文分三段：场景带入、核心体验、互动收尾； 3. 全文不超过 180 字； 4. 不要罗列参数，不要写“非常优秀”“绝绝子”这类空泛词汇； 5. 不能出现“最”“第一”“极致”等绝对化表述。 输出格式： 标题：一句不超过 20 字的吸引性标题。 正文：三段，每段不超过 60 字，段间空一行。 结尾互动：一个问题，引导评论区留言。 示例（仅参考风格，不要直接搬运内容）： 标题：通勤路上有它，一天的温水都被安排明白了 正文： 每天早上出门前把热水装进杯子，晚上加班回来打开，温度还烫嘴。以前用的杯子保温半天就凉，这支 24 小时下来依旧很能打。 重量比想象中轻，塞进书包侧袋几乎感觉不到存在，磨砂质感的莫兰迪色也很衬手，随手一放就很出片。 最近连着背了一周，最明显的变化是，喝水这件小事竟然变勤快了。 结尾互动：你们的通勤水杯一般是什么颜色的？

如果你拿这一版和第一版对比，会发现模型生成的文案几乎可以直接发布：有场景感、有细节、有互动引导，同时没有踩绝对的广告法红线。整套迭代过程其实只多花了两分钟，但产出质量完全不在一个层次。

我建议你第一次写提示词时，按照这个流程走：先写一版最省事的，然后看输出找缺陷，再逐个补要素。不要一开始就追求完美，因为只有看到模型“跑偏”的样子，你才知道自己到底漏了什么关键信息。补要素的过程，其实就是训练你对提示词敏感度的过程。

4. 常见问题与排查技巧实录

4.1 角色设定失效：因为你只贴标签，没定义性格

写提示词时，我经常看到“你是资深营销专家”“你是顶级文案”这种角色设定。这种写法的确比没有角色强，但它非常不稳定。有时候模型会用专家口吻分析框架，有时候又会跳出角色变成通用助手，甚至直接无视身份。

问题通常出在，你只给了角色头衔，没给角色性格和表达方式。模型接到的信息只是“专家”两个字，它不知道这位专家是学院派还是实战派，是犀利毒舌还是温和耐心。我现在的做法是，在角色后面紧跟一句对这个角色的能力侧写，比如“你是一位深耕消费品行业 8 年的独立顾问，风格务实，不喜欢空话和黑话，给建议时习惯先用一句话说结论，再展开理由”。角色有了具体行为特征，模型就更容易持续待在角色里。

另一个提升角色稳定性的技巧，是让模型在执行任务时“说人话”。你可以在角色之后加一句“请始终保持以这个身份作答，不要提及你是 AI”。有些模型天然倾向承认自己是 AI，一旦它进入这种反思状态，角色扮演就会断线。明确禁止它会破坏氛围，可以在很大程度上避免这种出戏。

4.2 输出格式跑偏，原因往往藏在“负面清单”里

很多人都有这种遭遇：明明说了“请用表格输出”，模型却给了一堆文字；说了“每个要点不超过 30 字”，它非要写成 300 字。只要你跟它较劲，就会发现光靠“要什么”不够，你还得告诉它“不要什么”。

输出格式类崩溃，处理方式很简单：在约束里加大负面清单。负面清单要写具体行为，而不是写抽象感受。比如“不要啰嗦”太模糊，模型不知道什么叫啰嗦；改成“不要在每个要点展开超过 2 句话”就清晰可执行。还比如“不要使用营销黑话”，如果你不加负面清单，模型大概率会给你来一段“赋能、沉淀、抓手”。这些指令本身并不复杂，但它们解决的不是“模型不会”，而是“模型不知道该按你的标准收敛”。

负面清单还有一个隐藏好处：它能顺带充当质量过滤器。比如写文案时，控制“不要出现绝对化用语”，等于主动规避合规风险；写分析报告时，写明“不要用‘我觉得’开头，要基于数据说话”，等于把主观臆断排除在外。越早把这类规则写进去，越少需要你后期返工。

4.3 内容太干、车轱辘话来回说，试试“举一个例子再动笔”

我接手过很多别人的半成品提示词，最常见的问题是任务描述写得很清楚、也很长，但生成内容依然干巴巴。比如“请介绍一下智能家居的发展趋势”，模型会给你列出一、二、三、四，每一段都是概括性判断，读完找不到一个有价值的细节。这其实是模型的“懒汉模式”：当它不知道你要多深、多具体时，就会用最宏观的语句糊弄过去。

破局思路是加“示例”和“要求具体化”。先给模型一个标准，让它知道“什么叫写得好”。比如你可以告诉它“每一段必须包含一个真实可感知的场景，比如用户回到家灯自动亮起、空调提前调好温度”；再让它“针对发展趋势中的至少三点，各举一个应用案例”。有了具体样板，模型输出的抽象概括会大幅减少。

我在跟团队协作时经常强调一个原则：想要高质量输出，先展示低质量样本。什么意思？你可以在提示词末尾加一句“补充：请先分析现有回答的不足，再重新生成一版”。模型不仅善于模仿，还善于自我审视。当它先意识到自己刚才的回答太泛，再动笔的时候，输出会明显更有细节。这个技巧很多人不知道，但真的屡试不爽。

4.4 一张排查表：快速定位提示词哪里出了问题

有时候说不清楚哪里不对，我建议用这张速查表对照一下。它覆盖了我遇到过的绝大多数提示词失效场景：

这张表不用死记，你只要形成一种条件反射：出问题先想六要素里缺了什么，大概率能解决八成问题。如果补完要素还是不行，就进一步检查是不是要素之间相互矛盾。举个例子，你要求“既简洁又详尽”，这就是一个矛盾指令，模型无论如何都会摇摆。像我实践中经常看到的“不要太长但要有细节”，其实也应该翻译成更精确的“全文 150 字以内，但要给出至少一个具体场景”。把矛盾翻译成明确边界，模型的表现会立刻改观。

5. 进阶心法：从“会写一句”到“稳定复现”

5.1 示例一给，输出立刻稳：少样本示范的威力

前面反复提“示例”，这里专门展开。少样本示例的意思是，与其用形容词描述期望，不如直接在提示词里放一两组“输入样例加期望输出样例”，让模型照着用。它对模型的约束力，通常远远大于你写三行描述。为什么？因为抽象描述可能对应很多种解释，但具体示例是唯一确定的；模型最擅长的事情之一就是模式模仿，给它一个高质量样例，它会自动提取其中的结构、语气、详略安排。

举一个我常用的写法。假设我要模型帮我把口语化描述改写成工作日志，我会在提示词里放这样一组：

输入：今天和研发聊了一下，确认了新版首页的改版方案，下周开始动工，预计两周完成。 输出：今日应产品需求，与研发团队对齐新版首页改版方案，明确上线节点与联调分工。项目于下周一正式启动，开发周期预计两周。

只给这一组示例，模型立刻明白：要把口语改成书面语，要把人称和模糊表达转化成项目术语，要保留时间点。这个理解能力比你写“请将口语改成正式书面语，不要有废话，注意时间信息”要可靠得多。不要只给一个示例；对于风格波动比较大的任务，给两个不同角度的示例，效果比一个更稳。

5.2 复杂任务别硬塞：把问题拆成几步走

很多人写提示词，恨不得一个任务里塞下所有诉求，比如“帮我分析这个项目的风险，给出解决方案，再写一封给老板的汇报邮件，建议提到成本和时间线”。单次生成很难同时把三件事都做到位，模型会拆了东墙补西墙，最后每个部分都在及格线以下。这时候应该把任务链路拆开：

先说分析风险，只让模型输出三条关键风险，每条带一个理由；再基于风险列表，让模型给出两条应对方案，并注明所需成本和时间；最后把前面的结论放进一个固定模板，生成给老板的邮件。每一步的输入来自上一步的输出，提示词反而更短，但每个环节质量都可控。这就像做饭，你不会把菜没洗、没切就直接丢锅里炖；工序分开，结果才稳定。

这种“拆多步走”的方式，还有一个额外的好处：你可以在中间环节插入人工判断。比如模型分析出的风险里，有一条明显不符合实际项目情况，你可以直接删掉，再进行下一步生成，避免错误一路传导。大模型当前的能力还做不到一次完成高难度的多阶段任务，把复杂任务分步化、流程化，是提升稳定性的核心手段。

5.3 把提示词当代码维护：版本、测试、复用

提示词写多了以后，我发现它跟代码是一样的：要版本化，要测试，要复用。我在本地维护了一个提示词库，每个提示词文件包含四部分：用途说明、完整模板、效果示例、修订记录。每次改完一版，我不会直接覆盖，而是保存成 v1、v2、v3，并记录这一版解决什么问题、带来什么新问题。看起来有点笨重，但长期积累下来，这套提示词库的价值远超我的想象。

为什么要刻意识别提示词是“会写”还是“能复用”？因为一次性写好的提示词，换一个场景、换一个目标，往往就不灵了。如果你把提示词拆成模块，比如“文案语气模块”“格式控制模块”“角色定义模块”，下次遇到新任务时就可以像拼积木一样组装。复用本身不是目的，目的是减少重复调试、提高输出质量的稳定性。

内部版本化管理还能帮你判断：到底是哪一次改动让结果突然变好或变坏。如果直接在当前版本上小改，你很难判断提升来自哪一句；版本分开保存后，你很容易总结出规律。比如我后来发现“输出格式单独成段”这条改动，让格式遵守率提高了很多；而“角色描述从 10 个字扩到 50 个字”这个改动，明显让文案风格更鲜明。没有版本对比，这类经验很难沉淀下来。

最后分享一个我最近养成的习惯。每次写提示词前，我会先问自己三个问题：模型知道我是谁吗？模型知道我想要什么吗？模型知道什么叫“合格”吗？如果这三个问题里有一个答案模糊，我就先不动手生成，而是把模糊的部分补清楚。做了一段时间以后，我明显感觉自己写提示词的速度变快了，因为我已经不需要反复试错来试探模型的理解边界，而是习惯在提问之前就把需求想透。这个习惯也是我想推荐给每个还在跟提示词较劲的人，起点很低，但收益远比想象中持久。