
很多人用大模型都有过同一种烦恼:你向它提了一个问题,它吐出上千字,排版工整,言辞恳切,但读完发现全是假大空的套话。它没有真正回答你的核心痛点,甚至连你反复交代的格式要求都直接忽略了。
我刚开始把大模型接入日常工作流时,也踩过无数次这种坑。比如我曾经让模型“分析一下竞品的定价策略并给出优化建议”,结果它给我列出了“加强市场调研”、“提高产品性价比”这几条谁都能说出来的废话。后来我翻看了 OpenAI 和 Anthropic 的官方开发文档,并在实际业务中测试了上百组提示词结构,才发现问题不在模型笨,而在我们输入指令的方式有缺陷。
大模型在底层本质上是一个基于概率的词元预测程序。它不是人类,没有自主意识去猜测你没说出口的潜台词。当你给出的指令过于简短或者语意模糊时,模型在概率分布里就会选择最平庸、出现概率最高的话术。这就是废话的来源。
斯坦福大学在 2023 年的一项关于大语言模型检索能力的研究中指出了“迷失在中间(Lost in the Middle)”现象:当输入的内容很长时,模型对开头和结尾的注意力权重最高,中间部分很容易被忽略。如果你把核心要求随手塞在一大段话中间,模型抓不住重点是必然的。
要让模型每次都给出精准结果,你不能把它当成有读心术的神仙,必须把它当成一个刚入职、执行力极强但毫无业务上下文背景的实习生。
具体操作时,先做 A,明确业务场景和角色背景;然后做 B,给出具体的输入材料和分隔符;再做 C,限定清晰的输出边界和负向约束;最后做 D,附带 1 到 2 个参考示例。这样能帮你更快完成目标任务,不用来回反复打磨对话。
为了结构化组织这些信息,业内演化出了几种经典的提示词框架。我在实际工作中对比测试了这四种常用框架,它们的特点和适用场景各有不同:
| 提示词框架 | 核心构成模块 | 结构复杂度 | 适用场景 | 局限性与避坑点 |
|---|---|---|---|---|
| RTF | Role(角色)+ Task(任务)+ Format(格式) | 低 | 快速日常问答、单点文案修改、简单摘要 | 缺乏业务背景输入,处理复杂逻辑时容易流于表面 |
| BROKE | Background(背景)+ Role(角色)+ Objectives(目标)+ Key Results(关键结果)+ Evolve(调整) | 中 | 业务策划、跨部门项目方案、年度复盘 | 结构偏长,简单查询使用该框架会浪费输入成本 |
| CRISPE | Capacity/Role(能力/角色)+ Insight(背景洞察)+ Statement(陈述)+ Personality(风格)+ Experiment(多版本尝试) | 中高 | 市场文案创作、公关稿件、多角度创意发散 | 对使用者自身的审美和约束设计要求较高 |
| LangGPT | Markdown 语法模块化(Profile, Goals, Constraints, Workflow, Output) | 高 | 复杂工作流 Agent、企业级系统指令、自动化批量处理 | 编写门槛最高,日常临时对话没有必要写这么重 |
日常工作中,我们不需要每次都写复杂的全套代码。我把这些框架浓缩成了一套简单好记的五步引导公式:
第一步:角色与背景设定(Role & Context)
直接给模型分配一个具有特定工作年限和专业背景的身份,比单纯说“你是一个专家”有用得多。但是要记住,不要只给头衔,要给上下文。比如:“你是一家 B2B 软件公司的资深客户成功经理,目前面对的是续费率连续两个季度下滑 15% 的存量企业客户。”这样一写,模型的输出范围立刻从整个互联网收缩到了特定的商业场景中。
第二步:明确的任务指令(Task)
任务必须是单义的、动作导向的动词短语。不要说“请帮我想想怎么把客户留下来”,改成“请针对上述续费率下滑问题,列出 3 个可以立刻落地的具体排查步骤”。
第三步:边界与负向约束(Negative Constraints)
这是最容易被忽视的一步,也是杜绝假大空套话的关键。很多人喜欢写“请写得生动一点,不要太正式”,这种主观词汇模型根本无法量化。更有效的做法是给出明确的负向约束指标:“输出字数严格控制在 300 字以内;禁止使用‘赋能’、‘抓手’、‘闭环’等互联网黑话;不要写开头问候语和结尾总结语;每一条建议必须包含一个具体的执行人岗位和预计耗时”。
第四步:清晰的数据隔离(Delimiters)
如果你有一大段参考资料需要让模型分析,千万不要把资料和你的要求混在一起写。必须使用明确的分隔符将指令与参考文本隔开。你可以使用三引号 `”””`、Markdown 的三级标题 `###`,或者 XML 标签(如 “ 和 “)。Anthropic 官方技术文档中明确指出,使用 XML 标签可以显著减少大模型把参考文本误当成操作指令的概率。
第五步:提供参考示例(Few-Shot)
微软多项测试数据显示,在提示词中加入 1 到 2 个真实输入与输出的示例,模型对格式和推理逻辑的遵循准确率可以增加 30% 以上。如果你需要模型输出严格的 JSON 格式或特定段落结构,直接给它一个已经写好的标准样板。模型模仿例子的能力远远强于理解抽象描述的能力。
除了文字本身的结构,底层的运行参数对最终结果的影响也非常大。如果你是在网页端使用支持调参的模型,或者通过 API 方式调用,请牢记以下两个核心参数的设置准则:
•核心参数一:Temperature(采样温度)。温度控制的是模型下一个词选择的随机程度。做严谨的数据提取、代码编写、逻辑论证时,必须把 Temperature 调低至 0.1 到 0.3,这样模型回答更收敛、更符合逻辑;只有在写故事、头脑风暴或写短视频脚本这类需要创意的场景下,才建议将数值调整到 0.7 到 0.8。
•核心参数二:Top-P(核采样概率)。通常建议保持默认值或者与 Temperature 单独调节一个。做事实类查询时,将 Top-P 保持在 0.1 到 0.5 之间,可以有效过滤掉概率极低的生僻词和不相干内容。
在实际使用提示词时,还有一个普遍的心理陷阱需要避开:避免只写连续的否定句。人类心理学上有个现象叫“白熊效应”,当你跟一个人说“千万不要想白熊”,他脑子里全是白熊。大模型也是这样。如果你输入“不要写套话,不要写长句,不要泛泛而谈”,模型往往还是会写出来。正确的做法是用肯定句替代否定句。不要写“不要写套话”,直接写“请以‘动词 + 宾语 + 衡量指标’的句式输出执行计划”。
举一个具体的改造案例。很多人平时写周报会这么输入:
“帮我写一份周报,总结一下我这周做的事情,要有深度。”
得到的往往是几段没有任何事实支撑的华丽辞藻。按照上面的引导公式改造之后,提示词应该这样写:
### 角色
你是一名智能硬件公司的项目管理主管(PMP)。
### 背景与输入数据
<project_data>
本周完成工作:
1. 协调供应链完成了主板打样,但供应商 A 延迟了 2 天交付。
2. 组织了软件端联调,发现了 4 个接口超时 bug,已解决 3 个,剩余 1 个由李工跟进。
3. 召开项目周会,确定了下周五进行小批量试产。
</project_data>
### 任务
请将上述 <project_data> 中的事实整理为一份精简的项目进度周报。
### 约束条件
1. 采用 Markdown 表格形式呈现,表头必须包含:工作项、当前状态、风险与阻塞点、下周行动。
2. 严禁出现任何未经数据支持的修饰词(如“进展顺利”、“高效协同”)。
3. 如果存在未解决的问题,必须明确标出责任人和解决截止日期。
4. 总长度不超过 400 字。
当模型收到这样一份指令时,它不需要去猜你的喜好,也没有空间去胡编乱造,输出的内容自然每一句都在点子上。
掌握结构化提示词并不需要你背诵多么复杂的长篇大论。本质上,这是在训练我们自己把模糊需求变成精准需求的过程。你给出的输入越有条理、边界定义越清晰、参照样本越明确,大模型输出的内容就越能直接派上用场。
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/4880.html