目录
[1. 核心理念：动笔前，灵魂 4 问](#1. 核心理念：动笔前，灵魂 4 问)
[2. 六大核心技巧详解](#2. 六大核心技巧详解)
[2.1 CO-STAR 结构化框架](#2.1 CO-STAR 结构化框架)
[2.2 少样本提示（Few-shot Prompting）](#2.2 少样本提示（Few-shot Prompting）)
[2.3 思维链提示（Chain of Thought, CoT）](#2.3 思维链提示（Chain of Thought, CoT）)
[2.4 角色扮演](#2.4 角色扮演)
[2.5 自我批判与迭代](#2.5 自我批判与迭代)
[2.6 约束与边界设定](#2.6 约束与边界设定)
[3. 提示词模板](#3. 提示词模板)
[4. 避坑](#4. 避坑)
宗旨 ：把 AI 当成一个知识渊博但完全不了解你具体情况的实习助理。你的提示词写得越清晰、越具体，这位"助理"就越显得天才；写得模糊，它就瞬间变成"人工智障"。
1. 核心理念：动笔前，灵魂 4 问
在敲下任何提示词之前，先在脑子里快速过一遍这 4 个问题：
| 灵魂拷问 | 你的回答（示例） |
|---|---|
| 1. 我要什么？ | 一份5天4夜的日本京都小众旅行攻略 |
| 2. AI 是什么角色？ | 资深的自由行路线规划师 |
| 3. 它需要知道什么背景？ | 我是二次元爱好者，预算中等，不爱吃生食 |
| 4. 我希望它怎么输出？ | 按天输出表格，包含交通建议，结尾附上美食清单 |
2. 六大核心技巧详解
2.1 CO-STAR 结构化框架
**这是最核心的框架，**通过 6 个维度确保你的指令滴水不漏。
示例：制定旅行计划
| 字母 | 含义 |
|---|---|
| C = Context（背景） | "你是一位有 10 年经验的日本京都地接导游，非常了解当地的小众景点和美食。" |
| O = Objective（目标） | "为我制定一份 5 天 4 夜的京都深度游行程，重点关注人少、适合拍照的寺庙和地道甜品店。" |
| S = Steps（步骤） | "1. 先询问我的酒店位置和每日预算；2. 按天规划路线；3. 备注交通卡使用建议。" |
| T = Tone（语气） | "语气亲切、文艺，像朋友之间的闲聊，多用'我们'、'不妨'等词汇。" |
| A = Audience（受众） | "我是一名 25 岁的动漫爱好者，对日本传统文化感兴趣，但不喜欢拥挤的网红打卡点。" |
| R = Response（输出） | "Day 1：上午...（含具体景点名和交通方式）\nDay 2：...\n【每日预算参考】...\n【伴手礼推荐清单】..." |
**(1)**帮我做个京都的旅游攻略。
(2) 你是一位有 10 年经验的日本京都地接导游，非常了解当地的小众景点和美食。为我制定一份 5 天 4 夜的京都深度游行程，重点关注人少、适合拍照的寺庙和地道甜品店。先询问我的酒店位置和每日预算；2. 按天规划路线；3. 备注交通卡使用建议。语气亲切、文艺，像朋友之间的闲聊，多用'我们'、'不妨'等词汇。我是一名 25 岁的动漫爱好者，对日本传统文化感兴趣，但不喜欢拥挤的网红打卡点。Day 1：上午...（含具体景点名和交通方式）\nDay 2：...\n【每日预算参考】...\n【伴手礼推荐清单】...
2.2 少样本提示（Few-shot Prompting）
核心思想 ：直接给 AI 1-2 个完美的输入输出范例，让它模仿
示例：提取书本信息
2.3 思维链提示（Chain of Thought, CoT）
核心思想 ：让 AI 把草稿纸亮出来，展示一步一步的推理过程，这能极大避免它瞎猜结果
示例：超市打折计算
- Q："一双鞋原价 200 元，先涨价 10%，再打 8 折，现价多少？"
- A："先算涨价：200 × 10% = 20，涨价后为 220 元；再算 8 折：220 × 0.8 = 176 元。所以现价是 176 元。" 现在请按同样的推理步骤回答：
- Q："一箱牛奶原价 80 元，先打 75 折，然后凭会员卡再减 5 元，现在多少钱？"
如果懒得写示例（Few-shot-CoT，少样本思维链），直接用零样本思维链（Zero-shot-CoT）
极简优化（加一句魔法短语） ：
"一箱牛奶原价 80 元，先打 75 折，然后凭会员卡再减 5 元，现在多少钱？请一步步推理并给出最终答案。 "
2.4 角色扮演
示例：修改简历
优化前 ：
"帮我把这段工作经历润色一下：我在公司负责发公众号文章。"
优化后 ：
"你是一位拥有 8 年互联网大厂经验的资深 HR（人力资源总监）。请站在简历筛选者的角度，帮我润色以下工作经历，要求多用数据量化结果（比如增长了百分之多少，阅读量提升了多少）。"
2.5 自我批判与迭代
核心思想：一次生成可能不够好，强迫 AI 自己当"检察官"挑毛病，然后重写
示例：写一段产品介绍
✅ 两步走指令：
第一步（生成） ：
"请为这款新上市的降噪耳机写一段 100 字的朋友圈推广文案。"
第二步（批判与迭代） ：
"现在，请你扮演一个挑剔的消费者 ，从'太像广告词、不够真实 '的角度批评你上面写的文案。批评完 3 个缺点后，请根据批评，重写一版更像普通用户真实体验的文案。"
2.6 约束与边界设定
示例：法律咨询（防胡说八道）
优化前（AI 容易信口开河） ：
"公司要辞退我，我能拿多少赔偿金？"
优化后（设定硬边界） ：
"你是一位法律助手。重要约束 ：1. 你只能 引用《中华人民共和国劳动合同法》的条文进行回答；2. 严禁 编造任何法律条款，如果法规里没有明确标准，必须直接回复'法规未明确，建议咨询当地劳动监察大队'；3. 文末必须声明'本回复仅供参考，不构成法律意见'。请回答公司辞退赔偿金的问题。"
3. 提示词模板
现实中，我们都是把技巧混着用的，模板如下：
- 【角色设定】（尽量具体）
- 【背景交代】（时间、地点、处境）
- 【任务目标】（想得到什么结果）
- 【输出要求】（怎么呈现，多久，什么风格）
- 【禁忌红线】（哪些事绝对不能干）
例：你是一位拥有 10 年经验的 Python 技术专家（角色扮演）。请帮我写一个函数，读取 Excel 文件并统计空值个数（目标）。输出代码前，请先列出你的解题思路步骤（思维链）。代码写完后，请从'性能'和'异常处理'两个角度审查你的代码并给出优化版（自我批判）。如果文件超过 1GB，请在代码中添加警告提示（边界约束）。
实际操作中还需要结合具体需求加以限制或提示
4. 避坑
| 踩雷行为 | 正确解法 |
|---|---|
| 问题太宽泛："帮我写个方案。" | 细化："帮我写一份针对 95 后员工的团建活动策划方案。" |
| 让 AI 盲猜："这篇稿子怎么样？" | 给标准："请从错别字、逻辑连贯性、开头吸引力三个维度评价这篇稿子。" |
| 一次塞太多："帮我做市场分析、写文案、做海报脚本。" | 拆分：分三次对话，一次专注做一个任务。 |
| 固执问一次："AI 答得不对，真垃圾。" | 迭代优化："你回答得不对，请只基于我给你的那份 2025 年财报数据重新回答。" |