做了这么多年内容创作和AI工具的深度使用，我越来越觉得“提示词工程”这四个字被神化了。很多人以为掌握了什么神秘咒语就能让大模型言听计从，实际上提示词工程更像是一门“和聪明但缺乏常识的实习生沟通”的艺术。你交代不清楚，他就做得离谱；你给了上下文和边界，他就能超常发挥。
这篇文章不聊高深的理论框架，也不扯复杂的算法公式，就讲我自己在真实项目里反复试出来的10个提示词技巧，每一个都可以直接复制去用。后面还附带一套我日常在用的模板库，覆盖写作、代码、分析、学习、营销这些高频场景，你拿过去改改就能用。
不管你是刚接触AI工具的新手，还是已经被“模型输出不靠谱”折磨很久的老用户，这篇内容应该都能让你少走很多弯路。毕竟工具本身再强，也得靠人会描述需求，提示词工程就是帮我们把脑子里的需求翻译成模型能听懂的语言。
1. 先想明白：提示词工程到底在解决什么问题
1.1 模型不是搜索引擎，它是“接话高手”
我先说一个很反直觉的事实。很多人用大模型的时候还停留在搜索引擎思维，把关键词一甩，期待模型像搜索框一样返回标准答案。但大模型本质上是一个根据上下文不断预测下一个词的系统，它不是在“查答案”，而是在“组织语言”。你给它什么样的上下文，它就顺着这个语境继续往下编。所以同样一个问题，你问得含糊，它就只能给一个泛泛而谈的回应；你把背景、目标、格式都交代清楚，它输出的质量就会完全不同。
这就是提示词工程存在的意义：它不是让模型变聪明，而是让模型更准确地理解你想要的“接话方向”。你可以把模型想象成一个很有才华但没见过世面的外包员工，他的能力上限其实就取决于你任务描述的清晰程度。很多人在抱怨AI不好用的时候，实际真正的问题是自己没有把需求讲清楚。
1.2 很多人觉得提示词是“玄学”，是因为忽略了两个变量
我在带新人用AI的时候，发现大家最常犯的错误是拿一个糟糕的提示词试了几次，发现输出不行，就得出结论“这模型不行”。但模型输出结果的好坏，其实受两个变量控制：一个是模型本身的参数和能力，另一个就是提示词的质量。前者在短时间内改变不了，后者却完全掌握在你手里。
还有一个容易被忽略的点：大模型是有随机性的。同样的提示词，温度参数不同，或者采样方式本身带有随机性，输出结果就会出现波动。所以判断一个提示词好不好，不能只看一次输出，而是要连续跑两三次看稳定性。如果同一个提示词连续跑几次，输出都稳定在同样水平，说明这个提示词是有效的；如果时好时坏，那大概率是约束条件给得不够，模型只能靠猜来发挥。
1.3 提示词工程的价值：把“运气”变成“稳定”
我记得有一次帮朋友优化一个给客户用的AI工作流，原来的提示词就一句话：“帮我写一份产品介绍。”结果模型每次输出的风格、结构、重点全都不一样，朋友觉得AI根本不能用。我帮他把提示词改成了完整模板，加上了产品背景、目标受众、输出结构、篇幅要求、语气要求，第二次跑出来的结果就已经像模像样了。
这个例子让我意识到，提示词工程做的其实是一件很朴素的事：把不可控的运气，变成可控的稳定。你不是在“调教”模型，你是在通过更精确的描述，缩小模型的回答空间，让它朝着你期望的方向输出。这也解释了为什么提示词模板会有用——模板的本质是把那些“我已经验证过有效的表达结构”固化下来，下次直接套用。随着你沉淀的模板越来越多，你在AI工具上的产出效率和质量，会和只看教程不动手的人拉开断崖式差距。
2. 五个立刻能用的表达技巧：让模型听懂你在说什么
2.1 技巧一：先给角色，再提要求
我先说一个最立竿见影的技巧：角色设定。很多人写提示词的时候上来就提需求：“给我写一份季度总结。”模型不是不能写，但它不知道以什么视角写、站在谁的立场写、用什么口吻写，于是它只好给一个通用版本。这就像你找了一个文案外包，却不告诉他你是甲方还是乙方，他只能给一个模棱两可的初稿。
正确做法是先给模型一个明确的角色定义，再说任务。比如：“你是一位有十年经验的人力资源总监，擅长写员工述职报告。请帮我写一份季度工作总结，重点突出我在招聘和培训方面的工作成果。”加了角色之后，模型的输出会明显更有立场、更有专业感，因为它会主动调用与这个角色相关的知识体系和语言风格。
这里有一个细节：角色的描述越具体越好。不要只说“你是专家”，要说“你是某领域的资深专家，有十年的从业经验，主导过XX类型项目的落地，擅长在复杂局面里给出可执行的方案”。角色信息越丰富，模型能够调用的相关语境就越多，输出质量也就越高。我自己写提示词的时候，角色设定经常占到整段提示词的三分之一，绝不吝啬笔墨。
2.2 技巧二：把模糊目标变成量化任务
第二个技巧是学会把目标量化。这是我认为最重要的一个技巧，尤其是对新手来说。“写一篇关于时间管理的文章”和“写一篇面向职场新人的、1200字左右的、关于如何用四象限法管理日常任务的文章”，这两句话在模型眼里完全不是同一个任务。
量化任务可以从几个维度入手：篇幅，比如多少字或者多少条；结构，比如分几部分、按什么顺序；对象，比如写给谁看；标准，比如达到什么效果才算合格。我把这些维度统称为提示词的“四大锚点”。只要在提示词里把这四个锚点尽可能说清楚，模型的输出质量会提升一大截。很多初学者问我要提示词模板，我通常都建议他们先把这四大锚点补齐，比背任何复杂公式都管用。
举一个我实际用过的例子。我需要模型帮我生成一批小红书风格的产品种草文案，一开始我只说“写几条文案”，输出乱七八糟。后来我改成：“请生成5条小红书风格的种草文案，每条80到120字，语气活泼自然，面向25到35岁注重成分护肤的女性，每条都要包含产品核心卖点、使用感受、推荐理由三个部分。”这个版本跑出来的文案，基本可以直接用，只需要再改几个细节就行。
2.3 技巧三：把背景信息一次性给足
第三个技巧是“喂背景”。我发现很多人在跟模型对话的时候，习惯了像跟老朋友聊天一样，一点一点往外挤信息。但在提示词工程里，这种“挤牙膏”式的对话效率极低，因为模型每轮的输出都依赖于你对上下文信息的提供，你给的信息越少，它就越容易靠猜。
正确做法是：在最初提问的时候，就把背景信息一次性给足。包括你现在的处境、你已经做了哪些尝试、你想要达到的效果、有哪些限制条件。不要怕给多了，模型特别擅长从海量信息里筛选关键内容，真正怕的是信息不足导致它自己脑补。你给的背景越完整，模型就越不需要自行补全那些它根本不知道的细节，幻觉的概率也会随之下降。
举个例子。你问“我该不该换工作”，模型只能给一些通用建议。但如果你说：“我在一家互联网公司做运营已经三年了，目前月薪两万，最近拿到了一个创业公司的offer，月薪两万八，但公司成立还不到一年，产品方向我也更感兴趣。想请你帮我分析一下利弊，重点考虑职业发展空间和风险。”这个提示词跑出来的分析，明显会更贴合你的实际情况，而不是泛泛而谈。
2.4 技巧四：明确指出不要什么
第四个技巧可能很多人会忽略：除了告诉模型你想要什么，还要告诉它你不想要什么。这就像跟实习生交代工作一样，你光说“把桌子收拾一下”是不够的，你还得说“桌上的文件不要扔，只要把垃圾清掉”。模型也是一样，它的知识库里充满了各种模板化的套路，如果不加限制，它就会给你来一段四平八稳的“正确废话”。
我在写提示词的时候，经常会在最后加一句“不要使用过于官方的措辞”“不要列出毫无数据支撑的观点”“不要用'首先、其次、最后'这样的老套结构”。别小看这些“负面约束”，它们对模型输出的影响非常直接。因为大模型本质上是在做概率选择，当你明确排除了某些方向，它就不得不往别的方向走。
这里有个注意事项：负面约束要具体。与其说“不要写得太差”，不如说“不要使用第一人称”“不要超过300字”“不要使用感叹号”。越具体，模型的执行率越高。我见过很多人写“请写得专业一点”，结果模型回了一堆术语堆砌的句子，看着专业，实际上什么都没说。负面约束的颗粒度，直接决定了模型能多精准地避开你不想要的内容。
2.5 技巧五：告诉模型输出的格式
最后一个表达侧技巧是“格式先行”。我几乎在所有的提示词里都会明确指定输出格式，因为格式会反过来约束模型的内容组织方式。你想让它输出一份清单，就要告诉它“用列表形式”；想让它输出一个表格，就要告诉它“用Markdown表格，第一列是XX，第二列是XX”。
格式化输出最大的好处是“可复用”。比如我需要让模型帮我整理竞品信息，我会指定输出为“一个表格，包含五个字段：产品名称、核心功能、目标用户、价格区间、与我方产品的差异”。这样每次输出的数据都是结构化、可直接粘贴进文档的，不用再花时间重新整理。对于需要批量处理的场景，这个技巧能节省的时间相当可观。
另外一个实用技巧是：如果你要的是长文，可以先让模型输出一个大纲，确认结构没问题之后，再让它逐段展开。这比让它一口气生成全文要稳得多。要知道，模型在生成长文本时越到后面越容易失控，但如果你把大纲先锁定，相当于给它画好了路线图，后面每一段只需要在既定框架里填充内容。
3. 五个进阶的结构化技巧：让模型稳定输出高质量内容
3.1 技巧六：用示例代替抽象描述
现在讲进阶技巧。第六个技巧是少样本示例，简单说就是用例子说话。如果你的需求比较特殊，单单用语言描述已经说不清楚了，最好的办法是直接给模型一两个例子。大模型在理解抽象指令的时候容易跑偏，但如果你给它看到一个具体的“输入-输出”对照，它就能非常准确地抓住你想要的风格和规律。
我举个常见的场景：你想让模型帮你把口语化的表达改成正式的书面语。如果你只说“帮我改得正式一点”，模型改出来的效果有可能不符合你的要求，因为“正式”这个词每个人的理解不同。但如果你给一个例子：“示例：原句‘这个项目搞得挺费劲的’，改为‘该项目推进过程中存在一定难度’。请按照这个格式改写下面这段文字：‘昨晚加班到很晚，终于把方案做出来了’。”模型就会严格按照你给的示例风格来改写，几乎不会跑偏。
这里有个操作细节：示例不需要多，一两个高质量的足矣，但一定要有代表性。你要让模型从示例中提取出“你真正在意的规律”，而不是记住了表面的字词。如果示例选得不典型，模型反而可能学歪。我一般会选两个示例，一个展示常规情况，另一个展示边界情况，这样模型能更快抓住转换规则。
3.2 技巧七：引导模型“先思考再回答”
第七个技巧是思维链，也就是Chain of Thought。简单来说，对于复杂的、需要推理的任务，不要直接让模型给出答案，而是引导它一步步推理。你可以直接在提示词里写“请按照以下步骤分析：第一步，梳理现状；第二步，找出问题；第三步，给出建议”，也可以使用更自然的写法：“你可以先列出你的思考过程，再给出最终结论。”
这背后的原理其实不复杂。大模型在生成回答的时候，如果直接跳到结论，中间缺少推理步骤，它在逻辑上很容易出bug。但你让它先把思考过程写出来，相当于强制它把“潜在的逻辑链”显性化，从而大幅减少逻辑错误和遗漏。我自己在测试中明显感受到，加了“先分析再下结论”这句引导之后，模型给出的方案完整度和严谨度都有肉眼可见的提升。
我自己最常用的一句话是：“不要急着给结论，请先分析，再总结。”尤其是在复杂决策、方案对比、问题诊断这类任务里，这句话几乎能立竿见影地提升输出质量。如果你担心模型输出太啰嗦，可以在最后加一句“结论控制在100字以内”，这样既保留了推理过程，又不会被长篇大论淹没重点。
3.3 技巧八：用“约束清单”收窄输出范围
第八个技巧是把限制条件做成一个清单。我前面提到要告诉模型“不要什么”，这里说的是更进一步：把你所有的硬性要求集中列在一起，让模型在输出时逐条对照。不要小看这个动作，模型的注意力是有限的，你把要求分散在长段落里，它很容易遗漏，但如果你用清单的形式集中呈现，它就像照着checklist干活一样，一条都不会漏。
比如我需要模型帮我写一封客户道歉邮件，我会这样写：
- 语气：诚恳但不卑微
- 篇幅：300字以内
- 结构：先道歉，再说明原因，然后给出补救方案
- 不要推卸责任
- 不要使用夸张的道歉词汇超过两次
- 结尾需要给出下一步行动时间
这种约束清单有两个好处。第一，它让模型知道哪些是硬性条件，不可妥协；第二，当模型逐条执行的时候，它会像对照检查表一样核对自己的输出，漏掉某个约束的概率会大幅降低。这是我在实际工作中验证过最有效的稳定输出方法之一。如果你发现某个约束模型经常忽略，试着把它移到清单的第一条，并单独成行，效果会明显改善。
3.4 技巧九：把大任务拆成小步骤
第九个技巧是任务分解。很多人喜欢让模型“一口气”完成一个非常庞大的任务，比如“帮我写一份完整的商业计划书”。这个任务不是不能做，但你让模型一次性输出，结果往往是结构混乱、深度不够、前后矛盾。模型在处理超大任务时，很难同时兼顾全局结构和局部细节，顾此失彼是常态。
更好的做法是拆成多轮对话：第一轮让模型梳理商业模式的核心要素；第二轮确定目标市场和竞争分析框架；第三轮逐节生成内容。或者你也可以在同一个提示词里进行结构化拆解，让模型按照你给定的步骤一一输出：“请按以下四步完成：第一步，分析市场；第二步，定义产品；第三步，制定运营策略；第四步，输出财务预测。”
我把这种思路类比成做饭。你不会把一桌子菜一次性倒进锅里炒，而是先切菜、再备料、然后一道一道炒。模型也一样，在单个步骤上的输出质量，远高于它在超大任务上的平均表现。把任务分解，本质上是在给模型“减负”，让它在每个小环节上都能集中火力。这个技巧尤其在长文档生成、研究报告撰写这些场景里，效果极其明显。
3.5 技巧十：迭代与追问，把对话当“改稿”
第十个技巧是“别指望一次成型”。很多用户抱怨AI输出质量差，但其实他们只给了一次机会。一个成熟的提示词使用者，一定不是每次都追求“一击命中”，而是把它当成一个可以多轮打磨的过程。我自己很少有一版提示词就跑出完美结果的，绝大多数高质量输出都是经过两三轮追问改出来的。
我的做法是：第一轮先把任务和目标说清楚，拿到初稿；第二轮针对不满意的地方，用追问加约束的方式修正：“第二段的结构有点乱，请按照‘问题-原因-对策’的顺序重写，控制在200字以内”；第三轮再检查语气和细节。通常两到三轮之后，输出的质量就会达到甚至超过预期。这个“多轮改稿”的模式，比花很长时间去憋一个终极提示词要高效得多。
这里有个小技巧：在追问的时候，尽量引用模型输出里的具体内容，而不是泛泛地说“写得不好”。你跟它说“第二段关于成本分析的部分逻辑不清晰”，它就比听到“你再写一遍”更容易修正到位。这就像审稿人跟作者沟通一样，你的反馈越具体，修改效率就越高。如果你对某个方向的修改结果还不满意，就把你期望的方向再给一个示例，效果往往立竿见影。
4. 模板库：直接抄作业的七套高频模板
4.1 万能写作模板：适合报告、文章、方案初稿
下面进入模板库部分。这些模板都是我在实际工作中反复使用、验证过有效果的，你可以直接复制到任何支持大模型对话的工具里，替换其中的【占位符】即可。我建议你先原样试一遍，等跑顺了，再根据自己的行业和场景去微调措辞。
【角色】你是一位资深的行业撰稿人，擅长撰写结构清晰、内容扎实的专业文章。 【任务】请围绕【具体主题】撰写一篇【目标篇幅】的文章。 【受众】这篇文章主要面向【目标读者】，他们最关心的是【核心关注点】。 【结构】请按照以下结构输出： 1. 开头：用一个具体的场景或数据引出主题，说明为什么要关注这个主题 2. 主体：分【X】个部分展开，每部分先给观点，再给论据 3. 结尾：总结核心观点，给出一句可执行建议 【要求】语言通俗流畅，避免空话套话，每个观点都要有实际例证支撑。这套模板的核心在于“角色、任务、受众、结构、要求”五件套，几乎覆盖了所有写作类任务的必要信息。我自己写长文的时候，就是用这个模板先让模型出初稿，再在此基础上修改调整，效率至少提升了一倍。值得提醒的是，模板里的“受众”一项特别关键，因为很多写作问题都出在“不知道写给谁看”上，这一条补上了，模型的措辞和内容深度立刻会不一样。
4.2 代码开发模板：适合功能实现与代码调试
如果你是个程序员，或者经常跟代码打交道的产品经理，这套代码模板会很实用。写代码类的提示词，最重要的就是给出编程语言、功能需求、输入输出格式、边界条件。代码任务和写作任务不一样，它对精确性的要求极高，缺了任何一个关键约束，模型写出来的代码很可能就没法跑。
【角色】你是一位经验丰富的【Python/JavaScript/Go等】开发工程师。 【任务】请实现一个【功能描述】的功能。 【输入】函数的输入是【参数说明，包括类型和示例】。 【输出】函数的返回是【输出说明，包括结构和示例】。 【要求】 - 代码需要处理这些边界情况：【列出特殊情况】 - 提供完整的代码，并附带注释 - 最后简单解释一下代码的实现思路我用这个模板让模型写了不少数据清洗的小工具。关键是你要把输入输出的“接口约定”写清楚，否则模型写出来的函数你根本没法直接用。如果是调试已有代码，记得把报错信息完整粘贴进去，然后明确告诉模型“不需要解释原因，直接给我修复后的完整代码”，这样可以避免模型啰嗦半天却不给代码。
4.3 数据分析模板：适合让模型帮你做判断
大模型做数据分析，本质上不是“计算”，而是“解读”。你可以把原始数据整理成文本或表格丢给它，让它帮你找规律、做结论。很多人以为直接把Excel表格甩给模型就能得到准确答案，但模型对数值的精确计算并不擅长，它真正擅长的是从数据里发现模式、提炼观点。
【角色】你是一位商业分析师，擅长从数据中发现问题并提出可落地的建议。 【任务】请分析以下数据，找出【X】个关键洞察。 【数据】 【此处粘贴数据，尽量用表格格式】 【输出格式】 1. 数据概览：简要说明数据反映的基本情况 2. 关键洞察：列出X个最重要的发现，每个发现都要有数据支撑 3. 建议方案：针对每个发现，给出可以执行的动作建议 【注意事项】不要编造数据，所有结论必须严格基于提供的数据。使用这个模板最需要注意的一点是：一定要加上“不要编造数据”这个约束，否则模型在数据缺失的时候会自己脑补，很容易产生误导。另外，如果数据量很大，建议先让模型做摘要或者分类，而不是一股脑塞进去让它找规律。分步处理的效果，远好于一次性要求它输出全部洞察。
4.4 会议纪要模板：适合信息整理与沉淀
会议纪要是大模型最擅长的任务之一，因为信息整理的逻辑相对固定。大家平时开会经常有这种困扰：会上聊得很热闹，会后要写纪要的时候却想不起关键结论是什么。把随手记录的零散要点扔给模型，它能在几十秒内帮你整理成一份可以直接同步给团队的文档。
【角色】你是一位高效的会议记录员，擅长抓重点、理逻辑、输出纪要。 【任务】请将以下会议记录整理成结构化纪要。 【原始记录】 【粘贴会议录音转文字或随手记的要点】 【输出格式】 - 会议主题： - 参会角色： - 核心结论： - 待办事项（包含负责人、截止时间）： - 遗留问题：我每次开完会都会把随手记的零散要点扔给模型整理，几十秒就能拿到一份结构清晰的纪要。这个模板的价值在于把“随手一记”变成“可以直接同步给团队的文档”，节省了大量整理时间。如果你有录音转文字工具，可以先用它生成原始文字稿，再让模型压缩成纪要，一套流程下来比人工整理快太多了。
4.5 学习辅导模板：适合用来解释复杂概念
这个模板是我用来给自己和团队做知识培训的，也特别适合家长辅导孩子或者自学者。大模型解释概念的能力很强，但如果没有约束，它的讲解往往站在专家视角，默认你已经知道了很多背景知识，导致越听越懵。这个模板就是用来强制它降维讲解的。
【角色】你是一位擅长把复杂概念讲清楚的老师。 【任务】请用通俗易懂的方式解释【具体概念】。 【受众】我【几乎没有背景知识/有一定基础】，请用适合我的方式讲解。 【讲解要求】 1. 先给一个生活化的类比解释 2. 再分步骤说明这个概念的核心内容 3. 然后举2个实际应用的例子 4. 最后指出新手最容易误解的地方我实际体会是，第4条“最容易误解的地方”特别有价值。因为这能直接帮你避开学习过程中可能踩的坑，比干巴巴的概念解释有用得多。你还可以追加一轮对话，比如让模型就某一小点再举一个贴近你生活场景的例子，用这种“追问式学习法”，很多原本难啃的知识点都能很快理解。
4.6 营销文案模板：适合各类推广场景
做内容运营和营销的人，应该都有过对着空白文档发呆的经历。这个模板可以帮你在几秒内生成一个还算靠谱的初稿。但我要说实话，营销文案这类任务，模型的产出通常不能直接发布，因为模型没有你的真实用户反馈，也没有你的品牌调性积累。它真正的价值是帮你突破“从无到有”这一关。
【角色】你是一位擅长【小红书/公众号/朋友圈】风格的营销文案专家。 【任务】请为一款【产品名称】写一段推广文案。 【产品信息】产品核心卖点是【卖点1、卖点2、卖点3】，目标用户是【用户画像】。 【文案要求】 - 标题：给出3个备选标题，要求有吸引力但不夸张 - 正文：300字以内，包含使用场景、核心卖点、用户痛点 - 结尾：给出一个引导行动的建议用过几次你会发现，这个模板生成的文案可能不能直接发，但它给你的框架和灵感是真实的。你在这个基础上加入自己产品的真实细节，效率会高很多。这里我分享一个心得：不要只生成一版，让模型一次给你生成三版不同风格的，然后取长补短，组合成最终版本。这样得到的文案，成功率比自己冥思苦想高得多。
4.7 决策分析模板：适合个人和团队做选择
最后一个模板是决策分析。每当你需要做重要选择、但脑子里一团乱麻的时候，都可以用它来帮自己梳理思路。很多人面对复杂决策的时候，最大的问题不是没有信息，而是信息太多、角度太多，反而失去了判断力。模型帮你做的，是把这些信息按结构化框架整理，让你更清楚地看到利弊。
【角色】你是一位理性的决策顾问，擅长用结构化方法分析复杂选择。 【决策背景】 【描述你的处境、可选方案、时间压力等信息】 【分析要求】 1. 列出所有可选方案 2. 对每个方案评估优劣势（至少各3条） 3. 明确需要追问的关键信息 4. 基于现有信息给出倾向性建议，并说明理由 【特别要求】对每个建议给出前提假设，说明这些假设如果不成立，结论会如何改变。最后一条是点睛之笔。很多AI生成的分析听起来头头是道，但因为它没有交代前提假设，你很难判断该不该信任它。加了这条之后，模型的回答会严谨很多，你也能更清楚地知道哪些结论可以采纳、哪些只能作为参考。决策这事最终的锅还是得自己背，但让模型当一次“结构化思考教练”，比自己拍脑袋要靠谱得多。
5. 实战中踩过的坑：排查与避坑技巧实录
5.1 输出质量忽高忽低，先检查这两个原因
如果你发现同样一个提示词，跑出来的结果时好时坏，不要急着怀疑模型。第一个要检查的是：你的提示词里是否包含了足够的约束。没有约束的输出本来就存在较高的随机性，就像你问一个朋友“最近怎么样”，他有时候跟你聊天气，有时候跟你聊工作，全看当天心情。约束越充分，模型的“自由发挥空间”就越小，稳定性自然就上来了。
第二个要检查的是：你是否在不同的对话上下文里使用同一个提示词。有些模型工具会把多轮对话的历史信息也纳入生成依据，如果你之前说过的一些内容影响了当前轮次的输出，结果就会显得“不稳定”。我的建议是，需要复现结果的时候，尽量开启一个新的对话，或者在测试时固定温度参数。如果你发现自己连续几次输出都南辕北辙，大概率不是模型坏了，而是你的测试环境本身不干净。
5.2 模型“一本正经地胡说八道”，怎么压制
大模型的幻觉问题，是所有使用者都会遇到的。尤其是当模型对某个话题不熟悉的时候，它会非常自信地编造一个听起来很合理的答案。我自己总结了一套“防幻觉”组合拳。第一，在提示词里明确要求“只基于我提供的信息回答，不要补充没有依据的内容”。第二，要求模型在输出中标注不确定性：“如果你不确定，请明确说你不知道。”第三，对关键事实性内容，在提示词里要求它给出“判断依据”或者进行“反向验证”。
这套组合拳不能百分之百消除幻觉，但能把幻觉出现的概率大幅压低。尤其是在数据分析、行业研究这类对准确性要求较高的场景里，效果非常明显。另外，我自己还有一个习惯：对模型给出的关键数据和引文，我基本都会要求它标注来源，然后人工再核一遍。把AI当“初稿生成器”而不是“最终答案机”，是每个成熟使用者都应该建立的认知。
5.3 长任务输出到一半“跑偏”，怎么办
还有一次我在让模型生成一份很长的行业报告时，发现它写到中段以后开始重复前面的内容，甚至开始编造数据。后来我意识到，问题出在我给的任务太大了，模型在生成长文本时，注意力分布会出现衰减，后面的内容质量会明显下降。这不是你的提示词写得不好，而是模型本身的上下文处理机制决定的。
解决方法是分段生成，并且每一段都重新给出上下文。比如先让它输出大纲，然后第一段生成时给它“上一段的内容摘要 + 本段要展开的核心论点”，这样模型即使生成很长的文本，每一段都有明确的出发点和边界，跑偏的概率就会大幅下降。我还会在长任务里加入阶段检查点，每完成一个章节就停下来让我确认，再继续下一章。虽然多花了一点时间，但整体质量可控得多。
5.4 模板不是万能药，也要按需调整
最后说一个关于模板库的真心话。模板可以帮你大幅提高效率，但不要迷信模板。每个行业、每个场景下的需求都不一样，模板的使命是给你提供一个“结构化的起点”，而不是替你完成所有思考。如果只是无脑套模板，你可能会发现输出千篇一律，反而失去了AI工具应有的灵活性。
我在使用模板时，一般做两件事。第一，根据实际输出结果反向调整模板里的措辞。如果模型反复忽略某个要求，我就把这个要求往前提，或者用更直白的句子重申一遍。第二，定期把验证过好用的提示词沉淀到自己的模板库里，形成属于你自己的“私人提示词资产”。你用得越多，这套库就会越贴合你的工作习惯，到后面你甚至能针对不同项目定制专属模板。
根据我个人经验，提示词工程的进阶速度跟你踩坑的次数成正比。不要怕写得不好，多写多试，配合这篇文章里的技巧和模板，你很快就能把大模型的输出质量拉到“可用”甚至“好用”的水平。我最后再分享一个小技巧：每次跑出满意的结果，顺手把提示词和输出结果一起存档。积累一个月之后，你会拥有一份比任何教程都值钱的真实案例库，那时候你就真正建立起自己的提示词工程体系了。
