从 ChatGPT 横空出世到现在，AI大模型的发展可以说是一天一个样，百花齐放，各有千秋。从应用的角度来划分，目前市面上的大模型大致可以分为两类：
- 对话类：用户通过文字、语音、图片甚至视频输入指令，模型直接以文字形式给出回答。这是我们最熟悉的交互方式。
- 生成类：输入方式不变，但输出内容可以是语音、图片或视频。生成式AI目前已经相当成熟，能够创造出很多让人眼前一亮的内容。
AI确实给工作和生活带来了不少便利。最典型的例子是，哪怕你不懂编程，也能借助AI生成一些能提升效率的脚本，比如整理Excel数据、做数据分析、按条件筛选简历等等。可以说，有了AI，很多重复性脑力劳动的边界正在被重新定义。
但问题也出在这里。大多数人会发现，AI返回的结果经常没有达到预期，甚至会出现严重的“幻觉”——也就是各种瞎编乱造。这是什么原因呢？答案往往出在提问这件事上。
人们在给大模型发送提示词时，输入的内容常常过于泛化、过于模糊，或者干脆没问到点子上。举两个实际工作中的例子：
- 有位开发者想结合实际业务，写一个可维护性强、可读性好的自定义Hook，但因为没写过，就直接问了句“自定义React Hook怎么写？”结果只得到一个入门级别的Demo，跟实际需求相去甚远。
- 再比如，遇到一个CSS层级问题：两个侧滑框，A要显示在B上面，明明给A设了
z-index:9999却不管用。本意是想问为什么失效以及怎么解决，但最后问出口的却是“CSS中如何将一个弹窗设置在顶层？”
看看，这两个问题被精简之后，AI给出的答案自然就偏离了真正的目标。比如Gemini针对第一个问题，只会讲解自定义Hook的基础用法，但用户真正想了解的是：如何让这个Hook与业务紧密结合，做到可维护性好、可读性强、返回值贴合场景。信息一缺失，效果就会大打折扣。
之所以会这样，是因为很多新手看过文档或入门资料后，第一反应就是照着Demo原封不动抄一遍。结果写出来的业务逻辑跟实际场景脱节：Demo里返回一个函数，他也跟着返回一个函数，而实际上直接返回一个值可能更合理。
对比一下是不是差别很大？这就是提问的智慧所在。
OpenAI官方提供的Prompt编写文档
为了帮助大家写出能让大模型准确理解的提示词，OpenAI官方专门发布了一份“提示词工程”的说明书。这份文档可以看作是一个官方的提问标准，帮助用户消除沟通中的模糊地带。
访问地址：https://platform.openai.com/docs/guides/prompt-engineering
文档中提供了六大核心原则：
写下清晰的提示：这是最重要的基础。具体要求包括：
- 问题中要携带关键信息
- 定义好背景角色（比如“你是一位资深前端架构师”）
- 对问题的不同部分，使用分隔符进行区分
- 有条理地指定完成任务所需的步骤顺序
- 提供具体例子，让模型有参考对象
- 指定回答的长度，比如控制字数或段落数
提供参考文字：让模型基于指定文本进行回答。这就好比让AI帮你读一本书，你把它喂进去，它就能概括出书中的核心内容。同时，也可以让模型在回答时直接引用你提供的信息。
将复杂任务拆分成更简单的子任务：
- 通过意图分类，识别用户的真实需求，并匹配最相关的指令
- 对于需要长时间对话的内容，先总结或过滤掉不相关的历史对话
- 对长文档进行分段摘要，再递归式地构建完整摘要。这个方法也适用于上一条中的对话场景。
给模型时间“思考”：
- 在做判断或决策类问题时，先让模型制定自己的解决方案，再给出最终结论
- 对于一些引导性场景，模型内部的推导过程可能不适合直接分享给用户。这时可以使用“内心独白”或一系列查询的方式来隐藏推理细节
- 询问模型时，主动检查它是否遗漏了什么。长文本的内容往往需要多次提问，才能得到最准确、最完整的答案
使用外部工具：
- 利用基于嵌入的搜索来实现高效的知识检索
- 使用代码执行来做更精确的计算，或调用外部API
- 给模型访问特定功能（如数据库查询）的权限
系统地测试及变更优化：官方这里提供了一个实用方法——参考黄金标准答案，来评估模型的输出质量，从而不断迭代优化提示词。
掌握了这六大原则，你甚至可以基于它们开发一个自动生成prompt的AI应用。这样，每次提问时，只需要花点时间润色一下提示词，就能达到事半功倍的效果。
写在最后
提示词的编写思路其实大同小异，掌握几个关键点就能基本写出合格的提示词。最省力的方式，就是花点时间用这些方法定制一个自动生成prompt的AI应用，之后的工作不过是做些微调而已。
附上思维导图，方便记忆和查阅：