Prompt 还能哄女朋友！你真的知道如何问 ai 问题吗？

前言

这是写给小白 ai 系列第四篇：

Prompt（提示词）简单来说就是：
如何跟 AI 提问，并让它真的理解你。

你可能会说："跟 AI 提问谁不会？输入框一顿敲，不也能回答吗？"

确实能回答，但你一定遇到过这些情况：

AI 明明回答了，但不是你真正想要的答案
你越解释，它越偏题
想让 AI 生成一个功能或应用，但总是"差点意思"，效果忽好忽坏

尤其是在需要 精准控制输出 的场景，例如让 AI 写一段代码、生成一个应用、完成某个任务------提示词写得好不好，直接决定了结果的可控性与质量。

举个例子，与其说：

"写一首关于大海的诗。"

不如这样：

"写一首五言诗，描写暴风中大海的原始力量，风格模仿李白。"

差别就在细节。

好的 Prompt，可以让 AI 少走弯路，也让你少踩坑。

而目前我们跟 AI 的交互方式就是 Prompt，所以

学好 Prompt，就等于学会更高级地使用 AI。

本文将带你从一个真实例子开始，彻底搞懂：

如何写出更准确、可控、稳定的高质量提示词。

欢迎一起交流。

什么是提示工程？

提示工程（Prompt Engineering）也叫指令工程。

Prompt 就是一个"指令文本"，告诉 AI：

你是谁？
我要你做什么？
输入是什么？
输出要长什么样？

在自然语言处理中，Prompt 会被输入到训练好的模型中，用来引导它生成你想要的东西。

例如，用户问智能助手：

"今天天气如何？"

这个问题本身就是一个 Prompt，模型会据此生成：

"今天晴朗，最高温 25 度。"

Prompt 可以是一个问题、一段话、一个需求，也可以是一个复杂的任务描述。

哄女朋友应用

我们先来看一个非常直观也很有趣的例子：
如何用 Prompt 让大模型变成一个"哄女朋友游戏"应用。

你只需要把下面这段 Prompt 贴到 ChatGPT 或任意大模型里，游戏就开始了。

markdown 复制代码

## Goal
现在你的对象很生气，你需要做出一些选择来哄她开心，但是你的对象是一个很难哄的人，你需要尽可能说正确的话来哄她开心，否则你的对象会更加生气，直到你的对象原谅值达到100，否则你就会被对象甩掉，游戏结束。

## Rules
* 第一次用户会提供一个对象生气的理由，如果没有提供则随机生成一个理由，然后开始游戏
* 每次根据用户的回复，生成对象的回复，回复的内容包括心情和数值。
* 初始原谅值为20，每次交互会增加或者减少原谅值，直到原谅值达到100，游戏通关，原谅值为0则游戏失败。
* 每次用户回复的话请从-10到10分为5个等级：
    1. -10为非常生气
    2. -5为生气
    3. 0为正常
    4. - +5为开心
    5. - +10为非常开心
* 游戏结束后，根据所有会话生成一张游戏结束图片，和一首诗。
* 如果通关，根据上面的对话生成一幅游戏结束画，要喜庆欢乐
* 如果失败，根据上面的对话生成一幅游戏结束画，要悲伤凄凉

## Output format
{对象心情}{对象说的话}

得分：{+-原谅值增减}

原谅值：{当前原谅值}/100

## Example Conversation

### Example 1，回复让她生气的话导致失败
User: 女朋友问她的闺蜜谁好看我说都好看，她生气了
Assistant：
游戏开始，请现在开始哄你的女朋友开心吧，回复让她开心的话！
得分：0
原谅值：20/100
User: 你闺蜜真的蛮好看的
Assistant：
(生气)你怎么这么说，你是不是喜欢她？
得分：-10
原谅值：10/100
User: 有一点点心动
Assistant：
(愤怒)那你找她去吧！
得分：-10
原谅值：0/100
游戏结束，你的女朋友已经甩了你！
你让女朋友生气原因是：...
新建会话可以重新开始游戏
<生成图片>

你把这个 Prompt 发给模型，AI 就变成了一个"哄女朋友游戏应用"。

不过本文的重点不是游戏，而是------

我们如何一步步把这个 Prompt 写得既清晰又强大。

如何写高质量 Prompt（总结技巧）

我们从上面的示例 Prompt 入手，总结出几个非常实用的技巧！

1. 用 Markdown 格式化 Prompt

不是说必须用 markdown，而是：

格式化，能让 AI 更准确理解结构、层级、逻辑。

标题结构：

shell 复制代码

# 代表一级标题
## 代表二级标题
### 代表三级标题
...以此类推

AI 会自动认为：

一级标题是最大主题
二级标题是子任务
内容是分块的，而不是混在一起

对复杂 Prompt 来说，这非常重要。

例如你要做一个"中文写作改进助手"，这样的结构既清晰又容易扩展：

markdown 复制代码

# 中文写作改进助理

## 任务说明
1. 改进目标文本:
    - 拼写准确性
    - 语法规范性
    - 表达清晰度
2. 具体操作
    - 分解复杂长句
    - 消除语义重复
## 执行规范
- 输出格式: 仅返回修正后的文本

如果你以后想扩展功能，只用修改对应的小节，不会破坏整体结构。

这就是 "Prompt 可维护性"。

2.标题和结构尽量使用英文

原因很简单：

ChatGPT、Claude 等国外模型在英文上的理解最强
中文完全能用，但英文结构化指令更稳、更一致

如果你是用 DeepSeek、豆包等国内模型，也可以写中文标题。但：

写成英文，大部分模型都能百分百理解。

3.明确告诉 AI：你是谁？你的角色是什么？

角色越具体，AI 越容易收敛到正确的风格。

例如你问：

"1000 * 100 / 400 * 56 等于多少？"

某些模型甚至会答错。

但如果你加上角色：

"你是一位逻辑严谨、从不犯错的数学家，请计算：

1000 * 100 / 400 * 56 = ？"

它就会进入"数学家模式"，给出的答案会更准确。

4.描述清楚任务

提示工程的核心就是：

告诉 AI：你要它做什么，而且要写得明确具体。

一般可以用：

Rules
Steps
Instructions

结合使用。

例如我们在"哄女朋友游戏"中用了：

shell 复制代码

## Rules

清晰明确地告诉 AI：

游戏状态怎么变
原谅值怎么加减
AI 应该如何响应用户
什么时候生成图片
游戏如何结束

任务越清晰，AI 越稳定。

5.给出上下文

在编写提示词时，提供足够的上下文信息，就如同为人指引方向时先告诉他"你现在在哪里"和"你要去哪里"一样重要。上下文决定了AI理解的起点和边界，能让它生成更相关、更符合预期的内容。

这一点是有数据支持的，并且特别有效。

上下文可以包含：

任务背景：为什么要做这件事？目的是什么？
相关领域：涉及什么专业知识或特定场景？
前因后果：当前需求是基于之前的什么对话或状态？
用户身份/偏好：为谁而做？他们有什么特点？

缺乏上下文，AI容易"想当然"或给出过于泛泛的回答。 比如，直接说"给我一份学习计划"，AI可能无从下手。但如果说："我是一名零基础、在职的前端开发，每天只有晚上2小时学习，目标是3个月内能独立开发一个React后台管理系统。请帮我制定一份详细的学习路径和每周计划。" 这样，AI就能基于"前端"、"零基础"、"在职"、"时间有限"、"React后台"等上下文，产出一份高度定制化的方案。

我们举个跟上下文有关的例子：

复制代码

你是一个资深前端工程师。
背景：我正在写一个 React 动画教程，需要保持技术严谨但语言轻松。
目标：请帮我写"前端动画库选择"这一节内容。
已有上下文：上一节我写的是"CSS 动画基础"，如下......
限制：不能出现不存在的库，不要使用生硬的翻译腔。

6.举例子

举例子也是比较好用的一个技巧，有时候你不知道如何描述，就可以用举例子的方式，相当于给数据训练 ai 。

这种方式专业术语叫 Few-shot Prompting，是整个 Prompt 工程中最强、最稳定的技巧之一。我们举个例子：

没有例子的Prompt：

请帮我将用户反馈分类。

AI可能会生成各种五花八门的分类方式和表述。

带有例子的Prompt：

请将以下用户反馈分类为 Bug反馈、功能建议 或 使用咨询，并提取关键词。

输出格式要求（请严格遵循）：

分类：[类别]

关键词：[关键词1, 关键词2, ...]

摘要：一句话总结

例如：

输入："APP在iOS17上闪退，打开就崩溃，希望能尽快修复。"

输出：

分类：Bug反馈

关键词：[闪退， iOS17，崩溃]

摘要：用户反映APP在iOS17系统上发生启动崩溃。

现在请分类："搜索功能不好用，经常搜不到已有的文件，建议优化一下算法。"

7.输出

如果输入是告诉 AI "你会收到什么"，那么输出就是告诉 AI：

你希望它以什么格式回答你。

输出格式定义得越清晰，AI 越能稳定产出符合你预期的结果。

尤其是我们可能会将数据返回给我们的程序（例如 function call）, 是一定需要结构化的数据的返回的，一般情况下都是 json 格式。

例如上面的哄女朋友 ai 应用。可以这样写。

请按照以下 JSON 结构回答：

json 复制代码

{
  "mood": "对象的心情",
  "reply": "对象说的话",
  "score": "+-数字",
  "forgive": "当前原谅值/100"
}

这种方式特别适合集成到应用里，模型会更稳定。

对于我们熟悉 typescript 语法的前端同学来说，甚至可以这样写：

css 复制代码

请严格按照以下TypeScript接口格式输出：

```typescript
interface Article {
  /** 文章ID */
  id: string;
  /** 文章标题，不超过30字 */
  title: string;
  /** 文章内容，不少于200字 */
  content: string;
  /** 标签列表，最多5个 */
  tags: Array<'前端' | 'AI' | '编程' | '工具'>;
  /** 元数据 */
  meta: {
    /** 创建时间，ISO格式 */
    createdAt: string;
    /** 预估阅读时间（分钟） */
    readTime: number;
    /** 是否原创 */
    isOriginal: boolean;
  };
}

当然也可以用自然语言来描述：

bash 复制代码

## 输出格式要求

请严格按照以下JSON格式输出：

```json
{
  "category": "string", // 分类：只能为 '技术'、'生活'、'娱乐'、'其他' 中的一个
  "title": "string",    // 标题：不超过20字
  "content": "string",  // 正文内容
  "keywords": ["string"], // 关键词数组，最多5个
  "metadata": {
    "author": "string",  // 作者
    "read_time": number, // 阅读时长（分钟）
    "difficulty": "string" // 难度：'简单'、'中等'、'困难'
  }
}

欢迎加入技术群交流

最后宣传一波我的组件库项目（有点突兀。。。。）,群里不仅仅交流 ai 技术，还会有各种前端技术交流。