写提示词这件事，看似简单实则暗藏门道。不少人以为多加几句“请”或“谢谢”就能显得礼貌，但大模型并不会因此更配合。真正高效的提示词，核心在于让AI瞬间锁定你的意图——比如你需要它将一段会议纪要提炼为50字以内的待办清单，那就直接指明，而非模糊地丢一句“帮我整理一下”。

第一步：明确任务类型和输出格式

先自问：当前任务属于生成、改写、分类、提取还是推理？输出要求是列表、表格、JSON、一段话还是带编号的步骤？若不清晰界定任务类型，模型很可能会按默认模式自由发挥，结果往往与实际需求偏离。

举例：“从以下用户投诉原文中，提取3个具体问题点，用破折号开头，每点不超过12字”——此处的“提取”是任务，“3个”“破折号开头”“每点≤12字”均为硬性格式约束。每个环节环环相扣，缺少任意一项都可能导致输出失效。

第二步：给足够但不过量的上下文

上下文提供太少，模型只能靠猜测；提供太多，核心指令反而被稀释。常见做法有三种：

方法一：直接粘贴原始素材（如聊天记录、代码片段、邮件正文），紧接着写指令句，中间不空行，让模型无缝衔接你的要求。

方法二：采用“背景：……；任务：……”的分隔结构，便于在多轮迭代中复用模板。注意：勿写“以上内容很重要”这类无效强调——模型不关注潜台词，冗余描述毫无意义。

方法三：对模糊需求主动追加约束。例如用户只说“优化这段文案”，你必须补充：“目标读者为35岁以上宝妈，语气亲切但避免感叹号，删除所有专业术语”。缺少上下文时模型会自行脑补，而脑补的结果通常与你的业务场景相去甚远。

第三步：用“角色+限制+示例”锁定输出风格

这一步最考验技巧，但也最能节省调试时间。关键在于三个要素的协同配合：

① 角色：明确身份，如“你是一名有10年经验的HRBP”或“你正在为小学三年级学生讲解”。角色一旦确定，语气和专业术语自然清晰。

② 限制：规定禁用词，如“不能出现‘可能’‘或许’”；指定必含元素，如“每条结论后加✅符号”；设定长度红线，如“严格控制在90字符内，超一字即重写”。这些硬约束能确保模型严格遵循。

③ 示例：提供一组完整的输入→输出样例，格式完全一致。这一步直接决定了模型的对齐精度——模型对齐示例的优先级远高于前面的文字描述。再详尽的描述，也不及一个实际样例来得直观高效。