美国专家此前总结过10条提示词设计技巧，覆盖从入门到冠军级选手的需求。随着大模型快速迭代，部分技巧已不再适用，因此重新整合为8条，按难度划分四个层级。以下逐一详解，助你掌握高效提问方法。

01 基本：提问清晰具体

勤用符号

引号可突出关键术语，破折号能清晰呈现句子间的逻辑关联——这类符号有助于大模型理解句法结构。例如调试代码时，在错误提示后加上两个破折号，再说明错误出现场景，提交给Kimi后实测准确率显著提升。序号、缩进等格式符号同样能增强可读性，值得优先使用，绝不亏。

明确具体带上下文

直接说“帮我做一个成都旅游攻略”或“写一篇公众号爆款文案”，模型往往给出泛泛内容。但若这样问：“我十一要去成都玩3天，打卡地点需包含文化古迹，交通方便，请制定旅游攻略”，结果更贴合需求。上下文（context）是准确表达的基础，美国专家曾单独列出，其实可归入此条。

角色扮演

“你是一位AI专家，正在给AI小白科普Self-Attention机制”——让模型扮演专家，你扮演听众，效果出乎意料地理想。

02 进阶：启发和强化

给出样本（Example）

这是首个进阶技巧，对应Few-shot learning。提供几个输入与输出示例，即便不额外提要求，模型也能模仿出所需格式。简单但非常实用。

自我反省

“你刚才的回答遗漏了什么？”提问几乎零成本，却常使输出质量翻倍。大语言模型在评估方面优于生成方面，这是天然优势。善用上下文理解与自我反思能力，通过多步迭代问答，结果将逐步贴近预期。

思维链（CoT）

借助思维链（Chain of Thought），模型的推理与回答准确性显著提升。刚推出的具有推理能力的o1即基于CoT原理进行强化学习，只不过它能自主生成思维链数据。本质上，思维链让模型逐步推理后再给出答案，这与人类解决复杂问题的思路一致——拆解步骤往往比直接回答更可靠。哪怕仅加上“step by step”（中文“一步一步”），准确率也会明显提高。可在Kimi上验证：问“strawberry里面有几个r”，直接回答是2个；加上“一步一步，写出计算过程”，答案就是3个。

03 冠军之选：结构化提示词 CO-STAR

CO-STAR 框架

这是Sheila Teo赢得新加坡GPT-4提示词工程竞赛的框架，现已成为结构化提示词的代表。每个字母对应一个部分：

• C（Context）——提供相关背景，如任务或自身描述。
• O（Objective）——明确指示模型要达成的目标。
• S（Style）——指定写作风格，例如“以鲁迅风格”或“像莫言那样”。
• T（Tone）——设定语调，如幽默、冷静、严肃或情绪化。
• A（Audience）——说明受众，面向幼儿园儿童还是法学院学生，结果截然不同。
• R（Response）——规定回应类型，是详细报告、表格、JSON格式还是纯文字。

将上述信息完整告知大模型，它就能精准输出你想要的回答。

04 懒人模式：让大模型自己写提示词

让大语言模型自己写提示词

若觉得CO-STAR过于复杂，或懒得构思提问方式，不妨直接让大模型帮你设计提示词。毕竟大语言模型比人类更擅长编写提示词。你只需说明需求，它就能生成一套完整的提问框架。试用豆包：问“帮我写一篇关于人工智能的论文，请问我要提供什么信息给你”，它立刻列出了论文要求、观点立场、研究经验、案例数据、目标读者五个方面，非常完整。

（豆包的回答略，此处保留原文内容）

这招确实好用——若非专家提醒，还真想不到可以这样操作。

最后总结

按层级梳理：

• 基本：提问清晰具体——勤用符号，明确上下文，角色扮演。
• 进阶：给样本，提醒模型反省，提示思维链。
• 冠军之选：结构化CO-STAR。
• 懒人可用：让大模型自己写提示词。

还有一个核心“心法”值得牢记：把AI当人看。回顾上述不同层级的交流方式——要么像向下属布置任务，要么像请专家帮忙——现实中你如何与人沟通，与AI也可采用同样方式。CoT、Step by Step非常契合人类心理学特征，看来大模型的数字神经网络与人类大脑的神经网络在结构上的相似性，导致了行为上的相似。牢记这一点，许多问题将迎刃而解。