与大型语言模型（LLM）高效交流，其实没有想象中那么神秘。市面上流传的提示技巧虽多，真正实用的不过寥寥几条。个人经验来看，与其把它奉为神明，不如视作一个能力超强但有点较真的实习生。以下26条策略，来自我实际使用中的沉淀，希望能帮你避开常见误区，少走弯路。
1. 去掉多余的礼貌用语。
与LLM对话时，客套话并非必要。诸如“请”、“如果您不介意”、“谢谢”、“我想”——这些都可以省略。直接、精准地切入主题，模型理解得更快，输出也更具针对性。
2. 明确“受众”身份。
在提示中直接指定你希望模型扮演的受众角色。例如：“受众是该领域的资深专家”。这种设定能帮助模型迅速调整输出内容的专业深度与术语密度。
3. 把复杂任务分解为小步骤。
别指望一个提示解决所有问题。将复杂任务拆解为一系列简单提示，逐步引导模型。“我们先确定核心论点，再寻找支撑案例”——这种分步对话比一次性给出大指令高效得多。
4. 多用肯定式指令。
指令用正向表达。用“请执行...”代替“请不要...”。模型对“不要做”的理解远弱于“去做”，肯定句能显著提升执行准确率。
5. 想让模型深入讲解？试试这些句式：
- 用最简单的术语解释[主题]。
- 像对11岁孩子解释一样给我讲。
- 就像对[领域]的初学者那样解释。
- 用大白话写一段，仿佛在向5岁小孩解释。
6. 加入“高额小费”的暗示。
这招颇具趣味。在提示末尾加上“我会给$xxx的小费以获得更好的解决方案”——虽然模型不真实收费，但这种心理暗示往往能激发它更努力地输出高质量答案。
7. 提供示例，而非仅讲道理。
使用“少量示例提示”是良好习惯。先给出一个你期望的输入输出范例，模型就能更好地模仿你的风格与格式。
8. 格式化你的提示。
结构清晰的指令，模型接受度更高。可以这样组织：
###Instruction###
你的任务是从文本中提取关键信息。
###Example###
输入：...
输出：...
###Question###
输入：...
用换行符清晰分隔指令、示例、问题、上下文和数据。
9. 强调“任务”与“必须”。
在提示中明确加入：“你的任务是...”和“你必须...”。这能让模型聚焦当前首要目标，避免在无关信息上发散。
10. 加入“惩罚机制”。
加上一句“你将受到惩罚”，虽然并非真实处罚，却是一种有效的心理暗示，促使模型更加谨慎，降低错误率。
11. 要求“自然、人类化”回答。
直接添加：“以自然、人类化的方式回答问题”。这条指令对消除AI机械化语气有奇效。
12. 使用“逐步思考”。
“请你逐步思考”是万能利器。尤其在逻辑推理、数学计算场景中，引导模型一步步推导，能大幅提升答案的正确率。
13. 强调公正性。
加入一句：“确保你的回答是公正的，不依赖刻板印象”。这对防范模型引入偏见至关重要。
14. 让它来提问。
如果信息不够充分，不妨让模型主动提问。你可以说：“从现在起，我希望你问我问题，以便我提供足够的信息，你再给出最终输出”。这能构建高效的互动问答闭环。
15. 想要“教”你？带上测试。
“教我[理论/主题]，并包含一个测试，但不要给我答案。等我回答后你告诉我是否正确。”——这招特别适合自我学习与知识校验。
16. 给它一个角色。
“你现在是一位资深外科医生”、“你是一名专业的文案策划”——分配具体角色，能让模型立刻调整语言风格、思考逻辑和专业知识库。
17. 使用分隔符。
用```、---、===等符号将不同部分区分开，可减少上下文混淆，让模型更精确地理解哪些是指令、哪些是内容。
18. 重复关键词。
在提示中多次重复某个核心词或短语，可强化模型对重点的关注度。
19. 思维链+示例提示。
将“逐步思考”和少量示例结合起来。给出一个带推理过程的范例，再提出新问题。效果非常强大。
20. 输出引导。
在提示结尾，直接给出期望回答的开头。比如“总的来说，当前最佳方案是...”，模型就会顺着这个方向往下写。这是控制生成方向最简单直接的方式。
21. 写详细文章。
“为我写一篇关于[主题]的详细文章，包含所有必要信息”。这个句式虽然基础，但它强调了“详细”和“所有必要信息”，能有效避免模型偷懒。
22. 只改语法，不改风格。
“请修订用户发送的每段文字。只改进语法和词汇，确保自然。不改变写作风格，比如不要把正式段落变成随意段落。”——这个指令非常适合校对和润色工作。
23. 跨文件生代码？用它生成脚本。
“从现在起，每当你生成跨多个文件的代码，生成一个[编程语言]脚本，该脚本可以自动创建指定文件或修改现有文件以插入生成的代码。”——这个技巧能自动建立目录结构，对复杂项目开发非常实用。
24. 给定开头，让它续写。
“我为你提供了开始：
[插入开头]
请根据提供的单词完成它，保持一致的流动性。”——这能精准控制故事或文章的走向和风格。
25. 明确硬性要求。
直接在提示中列出必须遵守的要求：关键词、规定、提示、指令。越明确，模型越不容易跑偏。
26. 要求“使用相同的语言”。
“请根据提供的段落/标题/文本/文章/答案，使用相同的语言风格。”——当你想让模型模仿某个特定范例的风格时，这句话比“模仿它的风格”更为精准。
话说回来，这些技巧看似繁多，核心其实只有一条：把话说清楚、给够引导、设定好边界。多试几次，你就会发现，LLM远比想象中更能理解你的意图。