目录
一、明确核心目标
-
具体性原则 避免模糊需求,用具体任务替代抽象描述: ❌ "写点有趣的内容" → ✅ "用鲁迅的文风写一篇关于人工智能伦理的讽刺短文,800字左右"
-
任务类型定义 明确需要模型执行的任务类型(如:问答、创作、推理、翻译、总结等),并附加约束条件: 示例:
"请将以下英文论文摘要翻译成中文,并保留专业术语和数据格式。"
-
输出格式规范 通过示例或结构化指令定义输出格式: JSON 格式:
{ "标题": "string", "关键词": ["string"], "摘要": "string" }
二、结构化提示词设计
采用 「角色+背景+任务+约束」 的黄金框架:
**角色设定**:你是一位资深心血管医生
**背景信息**:患者为55岁男性,近期体检发现胆固醇水平异常
**核心任务**:解释低密度脂蛋白(LDL)与心脏病风险的关系
**输出约束**:
- 使用通俗语言,避免专业术语
- 分点说明饮食、运动、药物干预建议
- 结尾添加警示标识⚠️:若指标持续异常需立即就医
三、语言技巧与原则
-
主动语态优于被动语态 ✅ "请分析以下数据趋势" → ❌ "数据趋势应该被分析"
-
使用「动词+目标」的强指令
- 分析 → 比较 → 评估 → 推导 → 生成 示例: "对比特斯拉和比亚迪的电池技术差异,重点分析能量密度与充电效率"
-
分层指令设计
1. 第一步:提取新闻中的时间、地点、涉事方三要素 2. 第二步:基于提取信息生成140字微博文案 3. 第三步:添加#科技前沿#和#政策解读#标签
四、进阶策略
-
思维链(Chain-of-Thought)引导 通过示例展示推理过程:
问题:小明有5个苹果,吃了2个,又买了4个,最后有多少? 思考步骤: 1. 初始数量:5 2. 吃掉后剩余:5-2=3 3. 最终总数:3+4=7 答案:7
-
少样本学习(Few-Shot Learning) 提供2-3个输入输出示例:
输入:"阳光透过树叶的缝隙洒落" 输出:🌳光影斑驳,细碎金箔般的光点在青石板路上跳跃 输入:"暴雨中的城市街道" 输出:🌆霓虹灯在积水里晕染成模糊的色块,行人撑起流动的伞花
-
对抗性约束 主动规避常见问题:
注意事项: - 不要使用「非常」「极其」等程度副词 - 避免生成包含个人隐私的数据 - 若遇到知识盲区,返回「当前信息不足以回答」
五、迭代优化方法
-
A/B测试法 为同一任务设计多版本提示词,对比输出质量:
版本A:总结文章核心观点 版本B:用3个关键词概括文章,并解释它们的关联性
-
反馈循环机制 设计带自我验证的提示词:
1. 生成答案 2. 自检:是否满足所有约束条件? 3. 修正:若未达标,重新生成并标注修改原因
六、示例对比
类型 | 劣质提示词 | 优质提示词 |
---|---|---|
创作类 | "写个爱情故事" | "以1930年代上海为背景,描写银行职员与旗袍裁缝的女儿因一柄檀香扇产生的错位爱情" |
分析类 | "分析这篇文章" | "从叙事结构、象征手法、人物弧光三维度解析《老人与海》,引用原文至少3处" |
工具类 | "转换格式" | "将2023Q1财务报告从PDF转为Markdown,保留表格与图表编号,标注数据来源页码" |
七、注意事项
-
伦理边界 避免生成违法、歧视性或危险内容(如:教人破解系统、制作武器等)
-
版权意识 要求模型声明AI生成内容属性,避免冒充人类创作
-
成本控制 对长文本任务,分批次处理并指定摘要粒度(如:每1000字生成3个要点)
通用模板
**身份角色**:[具体职业/身份]
**知识范围**:[限定领域或排除不相关内容]
**核心指令**:[动词+目标,如「推导数学公式」「生成营销方案」]
**格式要求**:[Markdown/JSON/纯文本等]
**长度限制**:[字数/段落数/层级深度]
**禁止行为**:[明确不允许的操作]
**示例参考**:[提供1-2个示范输出]
记住 :优秀的提示词是精准需求+人性洞察+持续迭代的产物,建议建立个人提示词库并记录每次优化的决策逻辑。

往期精彩
经典问题争议:数仓分层建设中,DWD、DWS、ADS哪一层最难?
球球 vs 懂车帝数仓岗位:数据资产沉淀主要是指DWS和ADS层的表吗?
SQL 筛选优化 | LEFT SEMI JOIN 与 LEFT ANTI JOIN 高效数据筛选的利器