技巧一：基于角色的约束提示
专家不会直接要求 AI "编写代码"，而是会为 AI 分配具有特定约束的专家角色。
模板：
css
你是 [特定角色]，在 [领域] 拥有 [X 年] 经验
你的任务：[具体任务]
约束：[列出 3-5 个具体限制]
输出格式：[所需的确切格式]例如：
diff
你是一位拥有 10 年数据管道优化经验的高级 Python 工程师。
你的任务：构建一个每小时处理 1000 万条记录的实时 ETL 管道。
约束：
- 必须使用 Apache Kafka
- 最大内存占用 2GB
- 延迟低于 100 毫秒
- 零数据丢失容忍度
输出格式：带有内联文档的生产就绪代码这种方法比"给我编写一个 ETL 管道"的指令能获得更具体的输出，精度高出 10 倍。
技巧二：链式验证 (CoVe)
谷歌的研究团队使用这种方法来消除模型的"幻觉"。
模型生成一个答案，然后生成验证问题，回答这些问题，并最终完善原始答案。
模板：
css
任务：[你的问题]
步骤 1：提供你的初始答案
步骤 2：生成 5 个验证问题，以发现你答案中的错误
步骤 3：回答每个验证问题
步骤 4：根据验证结果提供最终的修正答案示例：
任务：解释 Transformer 如何处理长上下文窗口
步骤 1：提供你的初始答案
步骤 2：生成 5 个验证问题，以发现你答案中的错误
步骤 3：回答每个验证问题
步骤 4：根据验证结果提供最终的修正答案在复杂的技术查询中，准确率从 60% 跃升至 92%。
技巧三：少样本反例教学法
Anthropic 发现，向模型展示"不该做什么"与展示"应该做什么"同样有效。
模板：
css
我需要你完成[任务]。以下是一些示例：
✅优秀示例 1：[示例]
✅优秀示例 2：[示例]
❌糟糕示例 1：[示例]
糟糕之处：[原因]
❌糟糕示例 2：[示例]
糟糕之处：[原因]
现在完成：[你的实际任务]示例：
erlang
我需要你撰写陌生开发邮件的主题。以下是一些示例：
✅优秀示例："关于你们第四季度的工程路线图，有个问题想请教一下"
✅优秀示例："看到了你们关于分布式系统的帖子------对此有什么看法？"
❌糟糕示例："紧急：限时优惠！！！"
为什么不好：垃圾邮件触发词，虚假紧迫感
❌不好："你绝对想不到我们开发了什么......"
为什么不好：标题党，缺乏上下文
现在请为以下内容撰写 5 个主题行：SaaS 工具可降低 40% 的云成本这将消除 80% 的通用 AI 回复。
技巧四：结构化思维协议
OpenAI 的 GPT-5 团队使用这种方法来处理复杂的推理任务。强制模型分层思考后再做出反应。
模板：
diff
回答前，请完成以下步骤：
[理解]
- 用自己的话复述问题
- 明确问题的实际含义
[分析]
- 将问题分解成子组件
- 注意任何假设或限制
[制定策略]
- 列出 2-3 种潜在方案
- 评估利弊
[执行]
- 提供最终答案
- 解释你的理由
问题：[你的问题]示例：
diff
回答前，请完成以下步骤：
[理解]
- 用自己的话复述问题
- 明确问题的实际含义
[分析]
- 将问题分解成子组件
- 注意任何假设或限制
[制定策略]
- 列出 2-3 种潜在方案
- 评估利弊
[执行]
- 提供最终答案
- 解释你的理由
问题：
对于一个 5 人创业团队，正在构建一个 B2B SaaS 产品，预计第一年用户量为 1000 人，我应该使用微服务架构还是单体架构？能够根据上下文给出答案，而不是简单地复述最佳实践。
技巧五：置信度加权提示
Google DeepMind 将此方法用于高风险决策。
要求模型评估其置信度并提供备选答案。
模板：
markdown
回答以下问题：[问题]
你的答案应包含：
1. 你的主要答案；
2. 置信度（0-100%）；
3. 你所做的关键假设；
4. 什么会改变你的答案；
5. 如果你的置信度低于 80%，则提供备选答案。例如：
markdown
回答以下问题：
Rust 会在 2030 年前取代 C++ 成为系统编程的主流语言吗？
你的答案应包含：
1. 你的主要答案；
2. 置信度（0-100%）；
3. 你所做的关键假设；
4. 什么会改变你的答案；
5. 如果你的置信度低于 80%，则提供备选答案。避免你基于人工智能虚假的置信度做出决策。
技巧六：带边界的上下文注入
Anthropic工程师会注入大量上下文信息，但会明确设定哪些信息才是关键。
模板：
css
[上下文]
[粘贴你的文档、代码、研究论文]
[重点]
仅使用上下文中的信息来回答问题。如果答案不在上下文中，请说明"提供的上下文信息不足"。
[任务]
[你的具体问题]
[约束]
- 引用上下文时，请注明具体章节
- 不要使用上下文之外的通用知识
- 如果存在多种解释，请列出所有解释示例：
css
[上下文]
[粘贴你公司 50 页的 API 文档]
[重点]
仅使用上下文中的信息来回答问题。如果答案不在上下文中，请说明"提供的上下文信息不足"。
[任务]
如何为 /users 端点实现带重试逻辑的速率限制？
[限制]
- 引用上下文时请注明具体章节
- 不要使用上下文之外的一般知识
- 如果存在多种解释，请列出所有解释消除使用专有系统时产生的幻觉。
技巧七：迭代优化循环
OpenAI 的研究团队通过多次迭代，将提示信息串联起来，不断优化输出结果。
模板：
css
[迭代 1]
创建 [任务] 的 [草稿/大纲/初始版本]
[迭代 2]
查看上述输出结果。找出 3 个不足或缺陷。
[迭代 3]
重写输出结果，解决所有已发现的不足。
[迭代 4]
最终审核：是否已达到生产就绪状态？如果尚未达到，缺少什么？示例：
css
[迭代 1]
创建一封销售邮件草稿，用于联系 B 轮融资初创公司的工程副总裁，介绍我们的 CI/CD 优化工具。
[迭代 2]
查看上述输出结果。找出 3 个不足或缺陷。
[迭代 3]
重写输出结果，解决所有已发现的不足。
[迭代 4]
最终审核：这是否已达到生产就绪状态？如果未达到，还缺少什么？单次输出的质量总是很差。这样可以达到 90% 的质量。
技巧八：约束优先提示
Google Brain的研究人员在提出实际任务之前，会先设定约束条件。
模板：
css
硬性约束（不可违反）：
- [约束 1]
- [约束 2]
- [约束 3]
软性偏好（针对这些偏好进行优化）：
- [偏好 1]
- [偏好 2]
任务：[你的实际请求]
请确认你已理解所有约束条件后再继续。示例：
diff
硬性约束（不可违反）：
- 必须使用 Rust 编写
- 不能使用任何外部依赖项
- 必须在稳定的 Rust 1.75+ 版本上编译
- 最大二进制文件大小：5MB
软性优化（可针对以下目标进行优化）：
- 编译速度快
- 内存分配最小
任务：编写一个命令行工具，用于解析 10GB 的 CSV 文件并输出带有模式验证的 JSON 数据
请在继续操作前确认你已理解所有约束条件。防止 AI 给出技术上正确但实际上无用的答案。
技巧九：多视角提示
Anthropic 的人工智能利用多视角来减少偏见并提升推理能力。
模板：
css
从以下视角分析[主题/问题]：
[视角 1：技术可行性]
[具体视角]
[视角 2：商业影响]
[具体视角]
[视角 3：用户体验]
[具体视角]
[视角 4：风险/安全]
[具体视角]
综合分析：
将所有视角整合为最终建议，并明确列出权衡取舍。示例：
css
从以下几个方面分析是否应该将数据从 Postgres 迁移到 DynamoDB：
[视角 1：技术可行性]
工程复杂性、时间安排、数据迁移风险
[视角 2：业务影响]
成本影响、团队效率、供应商锁定
[视角 3：用户体验]
延迟变化、功能影响、停机时间要求
[视角 4：风险/安全]
数据一致性保证、备份流程、合规性
综合分析：
将所有视角整合为最终建议，并明确列出权衡取舍。引导你进行战略性思考，而非流于表面的建议。
技巧十：Meta-Prompt（终极手段）
这是 OpenAI 团队用来破解自身模型并寻找极端情况的技术。
你要求 AI 生成一个完美的提示语。
模板：
markdown
我需要完成：[总体目标]
你的任务：
1. 分析如何才能写出最符合此目标的提示语
2. 考虑：具体性、上下文、限制条件、输出格式、所需示例
3. 编写完美的提示语
4. 执行脚本并提供输出结果
[目标]：[你的实际目标]示例：
markdown
我需要完成：编写一个 Python 脚本，抓取 Twitter 帖子，将其转换为格式正确的博客文章，并自动生成 SEO meta描述
你的任务：
1. 分析如何才能写出最符合此目标的提示语
2. 考虑：具体性、上下文、限制条件、输出格式、所需示例
3. 编写完美的提示语
4. 执行脚本并提供输出结果
[目标]：将 Twitter 帖子转换为博客文章并进行 SEO 优化人工智能会编写比你更好的提示语，然后执行它。
这就像拥有一个实时为你工作的提示语工程师。