作者：Amar Chetri
译者：Carl Cui
跟 AI 对话的时候，你可能试过各种不同的语气，礼貌式的、命令式的，甚至是祈求式的。但是不知道为什么，AI 给出的答复总是不能令人满意。问题可能不在于 AI，而是在于你跟它对话的方式。
我们都有过这样的经历：打开 ChatGPT、DeepSeek 或 Gemini，带着一个绝妙的想法，输入问题，按下回车，然后 AI 的回复要么是泛泛之谈，要么存在事实错误，要么完全偏离了主题。你叹了口气，觉得这个 AI 简直笨得离谱，然后关掉浏览器。
资深的 AI 用户基本都能意识到这样的真相：LLM 不是魔法，而是“镜子”，它反映了你输入的质量。如果你从 AI 那里得到的输出质量不高，那很可能是因为输入的内容需要改善。
这就是所谓的 prompt engineering，提示词工程可以把那些拿 AI 当噱头的人和那些把 AI 作为生产力工具的人区分开来。这篇文章中，我们会教你如何构建合适的 prompt，来提高 AI 生成内容的质量。
1. 黄金法则：上下文为王
在深入探讨提示技巧之前，你需要理解一个基本原则：LLM 不记得你的生活、你的项目或你的偏好，除非你告诉它们。
当你问一个模糊的问题时，AI 的回复基本上是它所读过的关于该主题所有内容的平均值。它生来就是泛泛而谈的，你需要提供上下文，以此把它庞大的知识库缩小到正好是你需要的内容。
输出的质量与输入的质量直接相关，泛泛的提示只会产生泛泛的结果。
想象一下，你不会这样问一个人类专家：“告诉我关于营销的事情”。他们不知道从哪里开始，你可能会这样问：“我经营一家小面包店，预算只有 500 美元。这个周末我可以用什么营销策略来增加客流量？”。类似地，AI 也需要这种具体性。
2. 完美提示词的结构
在分析了数千个高效提示后，研究人员和资深用户发现了一种始终有效的结构，下面我们逐一拆解。
2.1 角色：给 AI 一个身份
提示中最强大的一句话是：“扮演……”
通过给 AI 分配一个角色，能立即缩小它的回复风格和知识库范围。
- 不好的提示：“为咖啡杯写一个产品描述。”
- 好的提示：“扮演一位获奖的生活方式品牌文案作家，为咖啡杯写一个产品描述。”
两个提示之间有天壤之别。AI 给第一个提示的回复大概会列出咖啡杯的特性，例如容量、陶瓷材质；而给第二个提示的回复更能从早晨的仪式感、入手的分量、精湛的工艺这些角度去激发潜在消费者的购买欲。AI 可以生成多种风格的回复，角色则告诉它使用哪一种风格。
2.2 任务：清楚说明你的目标
要明确你想要什么，而不是让 AI 去猜。
- 不好的提示：“告诉我法国大革命的事情。”
- 好的提示：“用 10 岁孩子能理解的方式解释法国大革命的三个主要原因。”
注意到这两个提示的区别了吗？第二个提示包含了一个限制（三个主要原因）和一个受众（10 岁孩子）。这迫使 AI 优先考虑并简化，而不是给你扔出一整章教科书般的内容。
2.3 上下文：提供背景故事
这是你将 AI 与你的特定世界连接起来的地方。
- 示例：“我正在为我的旅游网站写一篇博客文章，网站专注于大学生的预算旅行。我需要一段关于巴塞罗那青年旅舍的内容。”
现在 AI 知道你的受众（精打细算的学生）、你的平台（旅游博客）和你的位置（巴塞罗那）。它不会推荐五星级酒店。
2.4 格式：指定输出结构
这是大多数初学者忽略的地方，但是这个技巧通常能改变游戏规则。如果告诉 AI how，你就不需要花时间自己重新格式化。
- 不好的提示：“给我一个工作效率提高技巧的列表。”
- 好的提示：“给我列出 5 个工作效率提高技巧。将回复格式化为一个包含三列的表格：‘技巧名称’、‘所需时间’和‘为什么有效’”。
你可以要求 AI 给出任何格式，例如表格、JSON、markdown 等等。
2.5 示例：而不仅仅是描述
有时候，仅仅通过语言直接描述是不够的。更高级的技巧是给 AI 一个你想要的例子，这叫做少样本提示（few-shot prompting）。
例如：“我正在重写枯燥的句子，使它们更具吸引力。示例如下：
- 原文：会议很长。
- 重写：时钟似乎停止了，因为会议拖入了第三个小时。
现在，重写这句话：‘咖啡很热。’”
给 AI 一个模式，比“更有创意”这样的提示，能更有效地引导它给出你想要的风格。
3. 让 AI 超常发挥的高级技巧
一旦掌握了提示词的基本结构，就可以尝试下面这些高级技巧。
3.1 开启深度思考功能
LLM 是自动补全引擎，如果你问一个复杂的问题，它们通常会直接跳到结尾并给出错误回答。开启深度思考功能使 AI 展示其思考过程，从而可以获得更准确的结果。
- 标准的提示：“一个球和一根球棒总共 1.10 美元。球棒比球贵 1 美元。球的价格是多少？” 大多数 AI 可能会错误地回答 10 美分。
- 开启深度思考功能后：“一个球和一根球棒总共 1.10 美元。球棒比球贵 1 美元。让我们一步步思考：如果球的价格是 X，那么球棒的价格是 X + 1。总共是 X + (X + 1) = 1.10。所以 2X + 1 = 1.10。因此，2X = 0.10，所以 X = 0.05。”
通过指示 AI 一步步思考，能驱使它运用推理能力，显著减少在数学和逻辑问题上的错误。
3.2 角色扮演与模拟
这是让提示变得富有创意的方式，你可以用 AI 来模拟场景对话。
- 示例：“扮演一个持怀疑态度的投资者。我将向你推销我关于一家销售宠物个性化袜子公司的创业想法。在我推销之后，向我提出三个尖锐的问题，暴露我商业计划中的弱点。”
这将 AI 变成了一个免费的焦点小组、一个辩论对手或一个模拟面试官。
3.3 循环迭代：把提示当作一种对话
善于使用的 AI 用户不会期望第一次就拿到完美的结果，他们会把提示看作一个迭代过程。
- 起草：写下你的初始提示。
- 审查：查看输出，看看缺少什么？有什么错误？
- 优化：添加新指令
- “很好，但让它更短。”
- “使用更专业的语气。”
- “添加一个统计数据来支持第三点。”
- 不断重复。
这种来回互动本质上就是在精雕细琢：去除你不想要的部分，直至达到满意的效果。
4. 实际示例
让我们通过一些前后对比示例来运用前面提到的技巧。
示例 1：写邮件
- 初学者提示：“写一封请求会议的邮件。”
- 输出：“尊敬的 [姓名]，希望这封邮件能让你一切安好。我想安排一次会议讨论 [主题]。请告诉我你的时间安排。[你的名字]敬上。”（需要编辑。）
- 专业提示：“扮演我的行政助理。我需要与一位名为 Sarah Chen 的潜在客户安排 30 分钟的会议。她是一家科技创业公司的 CEO。我们上周在一个会议上见过，讨论了医疗保健领域的 AI。我下周周二或周四下午都有空。写一封礼貌、简洁的邮件，建议这些时间，并提醒她我们的对话。”
- 输出：一封个性化的、上下文丰富的邮件，基本无需修改就能发送。
示例 2：生成食谱
- 初学者提示：“给我一个鸡肉食谱。”
- 输出：一个通用的烤鸡食谱，假设你有无限的时间和充足的食材储备。
- 专业提示：“扮演我的私人厨师。我有 30 分钟做晚餐。我的冰箱里有鸡胸肉、西兰花和一些小番茄。我还有基本的厨房常备品，如橄榄油、大蒜和意大利面。我想要健康的一锅餐。给我一个包含逐步说明的食谱。”
- 输出：一个根据你家里实际拥有的食材定制的餐食计划。
5. “错误”提示：告诉 AI 不要做什么
这是一个未被充分利用的技巧。有时候，引导 AI 最有效的方式是告诉它你不想要什么。
- 示例：“为游戏笔记本电脑写一个产品描述。不要使用‘前沿’、‘变革者’或‘野兽模式’等陈词滥调，不要提及 RGB 灯光。重点关注处理能力和冷却系统。”
这充当了一个过滤器，阻止 AI 回复最通用、最老套的语句。
6. 常见的陷阱
除了注意提示技巧，还需要注意避免下面这样一些陷阱：
- 假设 AI 知道日期/时间：除非是一个可以实时上网的模型，否则 AI 的知识有截止日期。不要问“今天的新闻”或“当前的股价”，除非你启用了搜索功能。
- 过度加载提示：给 AI 15 个不同的指令而没有优先排序，会导致混乱的输出。坚持 3-5 个关键指令。
- 忘记幻觉：AI 可能会一本正经地胡说。AI 适合起草内容，不适合作为最终内容直接使用。始终需要核实关键信息，特别是姓名、日期和统计数据。
总结：未来是对话式的
随着 AI 模型变得更强大，对完美提示的需求可能会减少。未来的模型将更擅长从模糊的请求中猜测你的意图。但就目前而言，以及在可预见的未来，与 AI 沟通的能力直接决定了用户的生产力。
提示词工程不是魔法。它是清晰、是具体，是提出正确问题的古老艺术，只不过现在应用于数字思维。
下次你打开聊天窗口时，不要只输入你脑海中浮现的第一件事。花 30 秒，给 AI 一个角色，提供上下文，并指定格式。这样可以获得更好的输出内容。
AI 已经就绪。问题是：你准备好与它对话了吗？
原文链接
The Magic of Prompting: How to Talk to AI to Get What You Actually Want