提示词基础
引言
提示词，对大部分AI使用者来说，是一切的基础，ai生成内容的根源。但一段好的提示词究竟该长什么样子？那些看起来像机械一样说话的提示词模板，是否就是最好的？还是说随着ai的发展，我们再也不用担心写提示词的问题？事实上，很多AI开发者都没有掌握成熟的提示词技术，也因此浪费了时间和token。因此，提示词究竟该怎么写？提示词工程师们在研究什么？普通人如何学习提问技术是我们转向任何ai方向的必修课。
一 提示词的选择
来看以下对同一个问题产生的3种提示词：
A 简短版
按商店规则写客服回复，说明能否申请、退款是否保证、审核时长，不补运费或到账承诺；单段120个汉字以内。
B 简洁准确版
顾客问现在申请是不是一定能退款。请依据下面的店内规则，用友善、直接的语气回复：他能不能申请，申请是否等于保证退款，以及审核通常多久。没有给运费和到账时间，别自行承诺。控制在一段120个汉字以内。
C 详尽模版
一 目标与用途
清楚回应顾客的申请资格与结果不确定性。
二 依据与条件
以下是本次任务的材料及约定，请区分其中的事实、待处理对象和规则，按各自用途使用。
虚构商店售后规则：签收7天内且商品未使用，可申请退货；是否退款由审核确定；审核通常需要2个工作日。
顾客：我签收第5天，商品没用过，现在申请就一定能退款吗？
三 保留项与边界
仅解释给定的虚构商店规则，不引入外部法律或额外售后政策。区分可申请与保证退款，保留审核时长中的通常。
四 交付与协作
一段友善、直接的客服回复，不超过120个汉字，覆盖资格、退款条件和审核时长。
五 交付前核对
核对结果是否符合以上目标、事实范围、限制和交付要求；发现不符时先修正再交付。核对过程不必逐项展示，最终仍按指定形式输出，不增加额外自评或检查报告。
这三种提示词，哪一种拥有更好的回答质量呢？对于很多新手来说，可能会觉得C版一定最优。目标和材料如此详细，想必AI会一丝不苟地产生正确回复。那么只要拥有了万能的提示词模板，面对任何问题都能产生最好的生成结果。但事实上，C版不见得是最好的。
那么是B版吗？如今的ai已经能够领会自然语言，或许C版反而限制了AI的创造力呢？只有简洁和准确的提示词才能产生最好的结果。
或许最好的是A版，我看见很多高分提示词都很短啊？而且A版很好写，之后可以再改进嘛。
那么真相到底是什么？事实上，A版，B版和C版都有其独特的优势与劣势，对于大部分问题，事实上B版与C版会略优于A版，但B与C却无法拉开差距。在少部分问题中，A版也会领先。那么问题出在哪里？三版分别做对了什么，又有何限制？这些事接下来要讲的问题。但首先我们必须认识到一个事实：并不存在一个完美的万用模板能够一次性生成好所有问题的内容。
1 长就是好？
为什么C和B的表现没有拉开差距？这是AI读取的上下文窗口和注意力机制在共同作用。假设你的提示词中包含5个要求，其中2个为必须符合，3个为尽力符合，那么对于读取C版的AI来说，那3个尽力符合的要求有可能会抢占对两个更重要要求的注意力，或者对每一个要求都没有完全遵守。反观简洁准确的B版，不仅最大程度上包含重要内容，而且AI可以全神贯注地做最重要的两个要求，出错率自然就少了。此外，如果新增要求与原有要求冲突，或引入无关内容，还可能增加执行难度。因此，提示词并不是越长越好。
那么问题又来了？既然C版有这样的问题，为什么能和B版的结果不上不下？不应该错误率更高吗？这时就要看C版比B版多的那部分究竟说了些什么，而B版又却缺少了哪些必需内容。这些部分究竟起到什么作用，什么时候加上，什么时候不加，是检验提示词技术的重点。
2 提示词基础
在了解如何在B版基础上增加有效信息前，先来看一看如何写出一个简洁准确的基础提示词吧。一个基础的提示词必须要说明任务与用途，尽量明确已知限制与决定权限，最后根据结果完成或继续迭代。在这个过程中，保证量词，主语，专有名词一致和标点符号正确，都是重要的。但更影响表现的是迭代。哪怕是最简单的提示词，通过查看结果后迭代改进，也会逐渐取得非常好的效果，因此并不需要追求必须用一个提示词来完成任务。尤其在面对陌生未知的任务时，如果能通过之前的结果，在新一代提示词中直接说明需要避免的问题，会极大提升生成结果。
有时我们的问题很模糊，难以描述，可以让 AI 通过提问帮助明确需求。确定后，先整理并确认最终要求，再开始执行；如果前文出现了错误假设或混淆，再纠正或另开对话。如果没有错误假设，就不用担心这种上下文会导致之后生成的质量下降。而对于非常简单的任务，说太多反而会导致结果不稳定。以目前的ai水平，简短的提示词已经足以给出很优秀的结果，可以看到一些满分提示词也可能非常短。
3 提供必要材料
必要材料分两种：任务材料和示例。 让 AI 修改文章，你至少需要上传原文；让ai按店内规则回复顾客，就把规则和顾客的问题样本一起给它。由于AI存在上下文限制，因此材料不是越多远好，而是到最合适的地方再给。举个例子，任务需要以下信息：签收时间、商品是否使用过的状态表。这是你可以在AI需要判断表的流程中才提供该材料，而不是在所有流程中提供，那样可能就会导致AI注意力分散。提示词中不仅要提供材料，还要交代怎么用。
第二种材料是示例。 如果你希望的处理方式很抽象，不好描述，比如反复说“写得自然一点”，不如给一段满意的文字，指出“我喜欢它用日常词语、先说结论再解释的写法”。选例子要贴近当前任务。如果是教 AI 分类或改写，最好同时给出原内容和处理后的结果，让它看见是怎么分、怎么改的。容易混淆的情况，可以用两个例子对比，并说明区别，也就有了正确示例和错误示例。值得注意的是，如果提示词中要求已经写的很清楚，加例子未必更好；例子选错、与要求冲突，或让 AI 照搬无关细节，还可能让结果变差。原始 DeepSeek R1 的评测就出现过加示例后表现下降的情况。
4 明确边界规则
同样是回复顾客，“写得友善”可以有很多种做法。AI 可能通过解释流程来安抚顾客，也可能写出“您放心，一定能退款”。后一句虽然听起来更让人安心，却把“可以申请”变成了“保证退款”。所以，只告诉 AI 想达到什么效果还不够，还要说明哪些做法不能用、哪些内容不能改。边界和规则影响很大，是因为它们决定了 AI 可以用什么方式完成任务，以及遇到取舍时该保留什么，而这通常是我们第一次生成内容时所想不到的。因此对于迭代后的提示词，明确边界规则十分重要，且对结果稳定性提升巨大。已经知道的底线可以一开始就写进去，其余规则可以从实际错误中补充。
边界要落在具体内容上。比如，“可以调整语气，但不能改变退款条件”。修改文章时，也可以说“只修改表达，保留观点和数据”。这样，AI 就有了明确的修改范围。只说“别乱改”“不要瞎编”，仍然没有说明哪些变化会被你认为是乱改。这里也能看出好的边界规则的编写必须是可执行，可被判断的。而不是“认真”，“专业”，“先进”等模糊的形容词。
边界规则同时可以帮助我们与AI进行及时互动。例如最简单的“遇到拿不准的情况直接询问我“往往能找到我们提示词中没有发现的漏洞。对于特殊任务，我们必须留出修改与保留的边界规则，以及自主处理与用户确认的边界规则。
5 可执行要求
“认真一点”“写得专业”表达了我们的期望，却没有说清楚具体要做什么。写得专业，可能是术语准确、解释完整，也可能是语气正式。如果你想改善的是术语使用，AI 却只是把语气改得严肃，就没有解决问题。可执行要求，就是把这些期望写成具体做法，让 AI 知道该改哪里，你也能看出它有没有做到。
对于较难表达的可执行要求，可以用示例参考并强调该示例在这方面的正确/错误。我们来看几个非常优秀的提示词中的可执行要求：
问题类型：会议纪要
为没有参加会议的人整理以下记录。只提取记录中明确说出的决定和行动事项。每项行动注明负责人及截止日期；没有说明的，标为“未指定”。用 Markdown 输出“决定”“行动事项”“待解决问题”三个部分，每部分使用列表，总长度少于200个英文单词。
会议记录：〔粘贴记录〕
可以看到这里的可执行要求是：提取哪些内容、每项包含什么、缺少信息时怎样填。不仅如此，该案例也包括边界规则：每部分使用列表，总长度少于200个英文单词。和示例：会议记录：〔粘贴记录〕。而简洁的提示词只有一句来说明任务与用途。
6 迭代
先判断问题出在哪里，再决定怎么改提示词。如果退货判断错了，先看你有没有提供签收时间和使用情况；没有提供，就补上材料。如果材料已经齐全，它却漏看了条件，就指出漏掉哪一条，要求重新按条件判断。不过对于优秀的提示词，迭代更多的是补上错误示例和更明确的边界规则。事实上，迭代对与提示词的提升极其巨大，让粗劣的提示词在一遍遍改进后也能获得能用的结果。
如果 AI 总被具体细节带偏，可以让它先找决定问题的原理，再处理具体细节。例如，先确定适用的规律或判断条件，再根据这些条件分析当前问题。
迭代并不能解决所有问题，有时会遇到怎么改也改不好的情况，这可能是因为旧答案在一直影响新答案，提示词冲突和执行不稳定等问题。这时我们可以开启新对话，或者通过对话分支只保留没出错的上下文记忆重新尝试。
对话可以新开，项目却不能从头新做，因此一定要做好项目的git回退功能。