
很多人用大模型总觉得它不够聪明,问它一个问题,它回你一堆正确但毫无用处的废话。
但是问题通常不在大模型本身,而在你的提问方式。大语言模型本质上是一个基于概率的文本预测器。如果你只给它一句“帮我写个活动策划案”,它只能在几千亿参数里捞最常见、最中庸的套话给你。OpenAI 官方在开发者文档中明确指出:模型没有读心能力,输出的准确度完全取决于输入指令的上下文丰富度与边界清晰度。
想要让大模型给出精准、能直接落地的回答,你不需要死记硬背成百上千条固定话术,只需要掌握一套标准的指令逻辑公式。
指令的核心逻辑公式
所有好用的提示词,底层都可以拆解为积木模型。日常使用中,最基础且高效的万能公式只有四个要素:
万能公式 = 身份设定(Role)+ 背景信息(Context)+ 具体任务(Task)+ 约束条件(Constraint)
1.身份设定(Role):告诉模型它现在是谁。比如“资深后端工程师”、“有5年经验的B端内容运营”。设定身份能收窄模型的词汇库,让输出风格更专业。
2.背景信息(Context):交代这件事情的前因后果、目标受众、使用场景。模型不知道你的公司是做什么的,也不知道你面对的客户是谁,这些必须提前说明。
3.具体任务(Task):用具体的动词指明要做什么,每句话只安排一个动作。比如“提取核心观点”、“列出三个改进方案”。
4.约束条件(Constraint):圈定边界。包括字数、排版格式、语气风格、必须包含的信息。
除了这个基础公式,业内经过大量验证的主流框架还有 RTF、CRISPE 和 BROKE。面对不同复杂度的任务,选择合适的框架能帮你省去反复追问的麻烦。
主流提示词框架选型对比
| 框架名称 | 核心构成模块 | 最适合的任务场景 | 编写复杂度 | 预期效果与优缺点 |
|---|---|---|---|---|
| RTF 框架 | 角色 (Role) + 任务 (Task) + 格式 (Format) | 简单日常任务、邮件撰写、单点问答 | 低(1分钟内写完) | 速度快,但缺乏背景信息,不适合处理复杂业务 |
| ICIO 框架 | 指令 (Instruction) + 上下文 (Context) + 输入 (Input) + 输出 (Output) | 数据清洗、文章总结、结构化信息提取 | 中等(2-3分钟) | 逻辑严密,输入输出边界清楚,适合处理已有资料 |
| CRISPE 框架 | 能力 (Capacity) + 洞察 (Insight) + 陈述 (Statement) + 人格 (Personality) + 限制 (Experiment) | 深度行业分析、商业提案、长篇专业创作 | 较高(3-5分钟) | 产出质量稳定,风格控制精准,但编写成本较高 |
| BROKE 框架 | 背景 (Background) + 角色 (Role) + 目标 (Objectives) + 关键结果 (Key Result) + 迭代修正 (Evolve) | 复杂项目规划、营销全案、多目标管理任务 | 高(5分钟以上) | 目标导向强,自带多轮修正机制,适合解决开放性难题 |
分类实用提示词大全
根据上面的逻辑,我整理了四个高频业务场景的成熟提示词模板。这些模板经过大量实测,可以直接替换括号里的变量。
1. 职场办公与沟通场景
周报/月报提炼重组
角色:你是一家互联网公司的资深项目总监。
背景:我本周完成了多项杂乱的日常事务,现在需要向上级汇报,突出我的工作价值。
任务:阅读我提供的碎散工作记录,提炼出 3 个核心工作成果。
约束条件:
– 采用“STAR法则”(情境、任务、行动、结果)重写每个成果;
– 必须用数据量化表现,没有具体数字的地方用 `[X%]` 占位提醒我补充;
– 严格禁止使用假大空的套话,直接说做了什么、带来了什么业务收益;
– 输出为 Markdown 无序列表。
输入内容:[粘贴你的琐碎工作日志]
得体拒绝合作的公函邮件
角色:资深商务总监。
任务:起草一封委婉但立场明确的商务拒绝信。
背景:对方是一家供应商,提议为我们提供外包测试服务,但目前我方预算不足且已有稳定合作方。
约束条件:
– 语气客气、专业,感谢对方的提案;
– 明确告知当前无法合作的真实原因(预算周期与现有合同约束);
– 保留未来合作的可能性,避免把话说死;
– 全文控制在 200 字以内。
2. 内容创作与文案改写场景
长文章结构化拆解与清洗
任务:请阅读以下长文,提取核心事实与论点。
约束条件:
– 过滤所有情绪化修辞和废话副词;
– 按“核心观点(1句话)— 关键论据(3点)— 行动建议(2条)”的格式输出;
– 如果原文中包含具体实验数据或调研年份,必须完整保留;
– 输出格式:纯文本,每行不超过 40 个字。
待处理文本:[粘贴长文本]
多视角痛点挖掘
角色:你是一名从业 8 年的用户研究专家。
任务:针对产品“家用智能咖啡机”,列出目标用户在购买前最担心的 5 个核心痛点。
背景:目标人群为每天需要喝美式、但工作繁忙的上班族,客单价在 2000 元左右。
约束条件:
– 不要列举“价格贵”这种泛化痛点,聚焦在清洁维护、出液速度、噪音等具体使用细节;
– 每个痛点后附上一句用户可能会在社交平台上发出的真实吐槽原话。
3. 数据分析与技术支持场景
SQL 查询语句生成与注释
角色:熟练掌握 PostgreSQL 的数据分析师。
任务:根据我给出的数据表结构,写一段查询留存率的 SQL 代码。
数据表字段:`users` 表包含 `user_id`, `register_date`;`logins` 表包含 `user_id`, `login_date`。
需求:计算 2024 年 1 月注册用户的次日留存率、7日留存率。
约束条件:
– 代码中必须包含详细的注释,解释每一步的 `JOIN` 和 `COUNT` 逻辑;
– 考虑同一天内用户多次登录的去重问题;
– 在代码块后单独说明该查询在大数据量下的潜在性能瓶颈与索引优化建议。
报错日志精准定位
角色:系统运维工程师。
任务:分析下方报错堆栈,找出崩溃根因。
约束条件:
– 分三步回答:第一步指出报错的核心原因(不超过2句话);第二步列出最可能引发该问题的2个代码位置;第三步给出修复建议代码片段;
– 不要解释通用概念,直接给排查方案。
日志内容:[粘贴报错日志]
4. 学习与决策复盘场景
费曼学习法概念解释
角色:一位善于用简单生活常识解释复杂科学的大学教授。
任务:向一名没有任何计算机背景的初学者解释什么是“向量数据库”。
约束条件:
– 先用一个日常超市购物或图书借阅的实体场景做类比;
– 句子要短,绝不使用专业术语去解释另一个术语;
– 最后用一问一答的方式,设计一个常见误区并解答。
让模型稳定输出的 4 个实操步骤
在实际使用大模型时,即使套用了公式,偶尔也会遇到模型跑偏。按照以下四个步骤逐步操作,可以解决绝大多数答非所问的问题:
1.先做任务拆解,不要一次性塞入所有要求。
如果任务复杂,先让模型列出大纲或执行步骤,等你确认了大纲,再要求它填充细节。Anthropic 的技术文档指出,分步处理(Prompt Chaining)能将复杂任务的错误率降低 40% 以上。先让模型完成步骤 A,审查无误后,再发送“根据步骤 A 的第一点继续撰写”,这样能避免模型在中途失控。
2.给出 1 到 2 个具体示例(Few-Shot 提示法)。
给大模型讲规则,不如直接给它看范例。比如你要提取表格数据,直接给它一段:“输入:张三,30岁,前端开发。输出:`{“name”: “张三”, “age”: 30, “role”: “前端开发”}`”。模型会立刻按照范例的结构进行输出,不需要你写很长的格式说明。
3.使用结构化符号明确隔离上下文。
大模型经常混淆你的指令与参考材料。OpenAI 官方建议使用三个引号(`”””`)、Markdown 标题符号(`###`)或 XML 标签(如 “)将参考资料和指令彻底隔开。告诉模型:“请仅根据 “ 标签内的文本回答问题,不要添加标签外的推测”。
4.用肯定指令指明路径,减少单纯的否定句。
很多人的提示词里写满了“不要太长”、“不要套话”、“不要出现专业名词”。大模型对否定词的注意力权重往往较弱,越强调“不要什么”,它越容易输出什么。正确的做法是直接说明要做什么:把“不要写太长”改成“输出控制在 150 字以内”;把“不要太正式”改成“使用口语化、平等的语气,多用短句”。
模型参数微调经验
如果你是在 API 界面或者支持参数调节的客户端中使用大模型,除了写好提示词,控制好生成参数同样重要:
•温度参数(Temperature):数值范围一般在 0 到 2 之间。做数据提取、代码编写、法律法规咨询等严谨任务时,直接把温度调到 0 到 0.2。这时候模型的确定性最高,不会自由发挥。做创意文案、头脑风暴时,再把温度调到 0.7 到 0.9。如果超过 1.0,文本容易出现逻辑混乱。
•Top-P(核采样):通常保持默认值 1 即可。如果你调低了 Temperature,就不要再去过度变动 Top-P,两者同时大幅调整容易导致模型词汇匮乏。
写好提示词不需要复杂的技巧。核心就在于:把大模型当成一个刚入职、聪明但没有任何上下文记忆的助理。你交代得越明确、边界划得越清楚、给的参考样本越精准,它给你的产出就越能直接拿来用。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aikonw/prompt-template/4839.html