提升AI输出质量的15个提示工程最佳实践
掌握提示工程是任何希望有效利用AI的人最关键的技能之一。无论你是开发者、营销人员、教育工作者还是企业领导者，通用且不可靠的输出与富有洞察力且可操作的结果之间的差异，往往取决于提示词的质量。本文综合了学术研究、宾夕法尼亚大学沃顿商学院和项目管理协会等领先机构的见解，以及AI开发者的最佳实践，为从任何大型语言模型（LLM）获得更好结果提供了一份权威指南。
你将学到什么
你将理解提示工程最佳实践的核心原则，从清晰的指令和角色扮演到思维链和自我反思等高级技巧。最后，你将拥有一个实用的框架来构思、优化和完善提示词，使你能够将AI从单纯的文本生成器转变为强大的协作伙伴，持续为你特定需求提供高质量、相关且可靠的输出。
1. 指令要明确清晰
直接表达
现代AI模型擅长遵循清晰直接的指令。不要假设AI会推断你的意图，直接说明即可。最好使用"撰写"、"分析"、"生成"或"创建"等动作动词开头，跳过多余的铺垫，直接提出请求。
模糊提示与明确提示对比
| 模糊提示 | 明确提示 | 为何有效 |
|---|---|---|
| "创建一个分析仪表板。" | "创建一个分析仪表板。包含尽可能多的相关功能和交互。超越基础功能，实现一个功能完整的方案。" | 直接要求全面的功能，表明期望高质量、详细的输出。 |
| "解释气候变化。" | "为高中生撰写一段关于气候变化的3段摘要，使用要点和中性语气。" | 明确了受众、格式和语气，减少了模型的歧义和猜测。 |
2. 提供丰富的背景和动机
背景的力量
解释某事为什么重要，有助于AI更好地理解你的目标。这对于能够推理潜在目标的先进模型尤其有效。你应该说明目的、受众、约束条件以及你试图解决的问题。正如沃顿商学院的研究所强调的，背景和约束条件能引导AI产生更相关、更负责任的输出。
为何有效
不要给出像"永远不要使用要点"这样简单的规则，而是解释你的理由："我更喜欢自然段落形式的回复，而不是要点，因为我觉得流畅的散文更容易阅读，也更 conversational。对于我随意的学习风格来说，要点显得过于正式和列表化。"这能让AI在相关的格式选择上做出更好的决策。
3. 使用角色扮演获取定制化见解
分配特定角色
为AI分配一个角色——比如编辑、创新者、导师、教练或项目经理——告诉它要模仿哪种思考者或专家。这缩小了范围，减少了通用答案，并使回复与特定的利益相关者优先事项保持一致。这种策略基于人机协作的研究。
示例
不要使用"找出刑事司法系统中适合调查的领域"，而是尝试："你是一名卫报的调查记者，目标受众是法律专业人士。找出英国刑事司法系统中可能适合调查的领域。"上下文信息增强了模型与任务互动的方式，产生更具体、更专业的输出。
4. 提供示例（少样本提示）
展示，而非仅仅告知
与其抽象地描述你想要什么，不如向AI展示实际输出的示例，这要强大得多。这被称为少样本提示。它帮助AI"看到"你确切的语气、结构和风格。它被广泛认为是最重要的基本技巧之一。
示例
以下是我写邮件的示例：
- 问： 如何重新安排会议？
- 答： 嗨，莎拉，由于时间冲突，我需要重新安排我们周二的会议。周四同一时间可以吗？谢谢！
现在，写一封专业的邮件，拒绝周五的预算审查会议。
AI将遵循示例中的模式，而不是猜测"专业"和"简洁"的含义。
5. 分解复杂任务
逐步分解
不要要求AI一次性解决复杂问题，而是先让它将问题分解成更小的子问题。这可以防止AI试图同时处理所有事情而失败。神奇的短语是："在回答这个问题之前，告诉我需要先解决哪些子问题？"这种技术也称为提示链。
示例
任务： "我需要规划一个产品发布。"
- 提示： "在回答这个问题之前，告诉我产品发布需要先解决哪些子问题？"
- AI回复： 列出：目标受众定义、竞争分析、定价策略等。
- 你： "很好，现在我们逐一解决这些问题，从目标受众定义开始..."
6. 让AI自我反思和批评
迭代改进
让AI检查并改进自己的工作。这是一个"免费的性能提升"，在许多情况下效果很好。简单的三步流程是：1) AI提供初始回复，2) 你问："你能回去检查一下你的回复吗？给自己提一些批评意见。" 3) 你说："做得好，现在实施这些反馈。" 最多使用1-3次。
示例
- 你： "为新的营销活动撰写一份简报。"
- AI： [提供初始简报]
- 你： "你能回去检查一下你的回复吗？给自己提一些批评意见。"
- AI： "回顾一下，我注意到我没有包含具体的成功指标，目标受众太宽泛，也没有考虑预算限制..."
- 你： "很好。现在实施这些反馈。"
7. 指定期望的输出格式
控制结构
为了避免冗长的编辑，明确告诉AI你想要的格式。要精确描述结构，例如简洁的段落、编号列表、带有特定列的表格或JSON。为了精细控制，告诉AI要做什么而不是不要做什么，以避免意外行为。
示例
| 对于结构 | 尝试此提示 |
|---|---|
| 对于表格 | "将发现结果整合到一个包含3列的表格中：1) A，2) B，3) C。" |
| 对于JSON | "仅输出有效的JSON，不要有任何前言。以左大括号开始你的回复。" |
8. 设置约束和条件
创建边界
通过建立明确的边界，帮助集中模型的注意力，防止它偏离主题。这包括指定受众是谁、使用什么语气、期望的长度，或者排除什么内容。
示例
- "排除技术术语。"
- "仅使用提供文档中的事实。"
- "让非技术人员能够理解。"
- "不超过350字。"
9. 鼓励思维链推理
逐步思考
思维链（CoT）提示鼓励AI在得出最终答案之前，将其"推理"分解为逻辑步骤。这对于数学、逻辑、多步骤决策以及需要透明度的任务特别有用。在某些情况下，你只需在指令中添加"逐步思考"即可。
引导式思维链
一种更结构化的方法引导模型通过特定的推理阶段。例如："在写邮件之前先思考。首先，思考哪些信息可能根据捐赠者的捐赠历史吸引他们。然后，考虑项目的哪些方面会引起他们的共鸣。最后，使用你的分析撰写个性化的捐赠者邮件。"
10. 对高风险任务使用集成方法
询问多种方法
对于关键决策，使用3-5种不同的方法（例如，基于角色、基于数据、基于案例研究）询问同一个问题，并选择出现频率最高的答案。这种技术称为"集成"，基于的原则是：无论采用何种方法，出现的答案通常是最可靠的。
示例
- 专家1（基于角色）： "你是一名财务顾问。对于30多岁的人来说，最佳投资策略是什么？"
- 专家2（基于数据）： "根据历史市场数据，哪种投资策略最适合30多岁的人？"
- 专家3（基于案例研究）： "看看成功的投资案例，30多岁的人应该遵循什么策略？"
- 分析： 比较5个答案，选择出现最频繁的建议。
11. 利用访谈流程
让AI澄清
当你不确定如何表述请求时，让AI采访你。它可以一次问一个问题，系统地收集上下文，并根据你的回复调整后续问题。这对于规划文章、澄清复杂输入或协作制定计划特别有用。
实施
- 提示： "在写作之前，如果有任何遗漏或模糊之处，请向我提出最多5个澄清性问题。在确认之前，不要开始任务。"
12. 理解并使用CLEAR框架
更好提示的记忆法
CLEAR框架提供了一个简单易记的指南，用于创建有效的提示词。
- C - 简洁： 保持提示词尽可能清晰。
- L - 逻辑： 确保提示词有逻辑且自然的进展。
- E - 明确： 如果你想要特定的格式或风格，明确说明。
- A - 适应： 尝试同一提示词的不同版本，以查看各种输出。
- R - 反思： 检查输出是否准确和相关。
13. 预填充AI的回复以控制输出
引导开头
预填充允许你为AI启动回复，这是一种强制执行输出格式或跳过对话前言的强大方法。这通常在API设置中完成，但也可以通过明确说明在聊天界面中近似实现。
示例（API使用）
- 用户提示： "从产品描述中提取名称和价格，输出为JSON。"
- 助手（预填充）： "{" AI将从左大括号继续输出，只输出有效的JSON。
14. 记录并重用高性能提示词
建立提示词库
创建一个始终产生良好结果的提示词库。按功能（例如，营销、财务规划、招聘）进行标记，以便轻松访问。关于工作场所AI采用的研究表明，生产力的提升通常源于标准化成功实践，而提示词模板是其中的核心部分。
15. 允许表达不确定性
减少幻觉
明确允许AI说"我不知道"，而不是猜测。这是一个简单但至关重要的补充，可以增加可靠性和可信度，尤其是在处理事实或数据时。通过告诉AI承认局限性，你可以降低"幻觉"（看似合理但事实不正确的信息）的风险。
示例
"分析这些财务数据并识别趋势。如果数据不足以得出结论，请说明，而不是推测。"
来源
- Notion。"完整LLM提示掌握指南。"
- 项目管理协会。"更好提示的构建模块：模块化提示工程框架。"
- ScienceDirect。"AIPO：模型自身通过'梯度上升'进行自动指令提示优化。"
- 沃顿高管教育。"提示力量：从AI获得更好结果的六种策略。"
- Claude by Anthropic。"提示工程最佳实践。"
- 克兰菲尔德大学图书馆。"AI与生成式AI：提示工程。"
- arXiv。"提示设计与工程：介绍与高级方法。"
- DreamHost。"提示工程：如何为真实世界结果提示AI。"
- CodeSignal。"2025年提示工程最佳实践：现在要关注的主要功能。"
- 伦敦大学伯贝克学院。"人工智能（AI）：提示工程。"
— Editorial Team
暂无评论。