AI提示词大全基础版：五要素与场景化模板，让大模型输出不废话

简介：《AI提示词大全》基础版是一份面向AI语言模型使用者的提示词参考资料，适合AIGC学习者、内容创作者及希望提升人机协作效率的职场人士。文档围绕提示词的多样化应用展开，汇集写作助理、提示词修改器、提示词生成器、英语翻译与润色、论文式回答、语音输入优化等常用场景，其中写作助理着重纠正拼写语法、拆分长句、减少重复，提示词生成器支持按标题快速产出可执行指令，英语翻译模块兼顾准确度与文学性；既给出可直接套用的中英双语模板，也讲解如何根据角色、目标与上下文重写和生成更有效的提示词，从而引导模型产出更准确、结构更清晰的结果。资源包共1个PDF文件，整体约1.36MB，便于下载后随时查阅。目前已有1060人学习下载。通过系统梳理提示词的设计思路与优化方法，读者可以快速掌握与GPT-4等模型高效对话的技巧，减少反复修正与人工介入成本，切实提升文本处理、翻译润色和内容生成的工作效率。

1. 这份提示词大全基础版，解决的是"AI回答像废话"的问题

我最初看到《AI提示词大全》基础版这个标题，第一反应是：提示词这门手艺终于被整理成了可以照着抄的清单。同一个大模型产品，有人问出来的全是正确的废话，有人能拿到直接可用的方案，差距很少在模型本身，大多在提问方式上。基础版解决的就是这个问题——把写提示词从玄学变成模板。

这份资料的方向很直接：用一套通用骨架，覆盖写作、总结、代码、学习这些高频场景，让刚接触提示词的人不再每次从零开始憋指令。它适合每天用对话式大模型处理具体任务，却总觉得输出不稳定、差口气的从业者。花一个下午把这套框架跑通，比再换一个工具实在得多，下面就从最常见的五要素讲起。

2. 拆解基础提示词的五要素：把"随便问问"变成"精确下指令"

把一份基础版提示词大全翻到底你会发现，几十条貌似千差万别的模板，骨架都是同一个：角色、任务、背景、约束、格式。模板能背下来是好事，能反推出骨架更好。这一章就把底层框架拆开，让你拿到任何一条新模板时，都能看出它改了什么。

2.1 角色设定：给AI一个说话的立场和口吻

大模型每一轮生成，本质上都是在预测"最可能的回答"，如果没有角色设定，它会自动切到通用顾问模式，用最安全、最不出错的口吻说话。角色设定的作用，是提前告诉它该用哪套词汇、哪层专业度、站在谁的立场上回答。

常见做法是润色简历、审查代码、解释概念前先给角色。我一般会这样写：

你是一名有十年经验的数据分析工程师。 请以专业、简练的口吻，审查下面这段SQL，指出性能问题，并给出改写建议。 只指出与执行效率相关的问题，不要夸赞，不要铺垫。 【待审查SQL】 SELECT * FROM orders WHERE DATE(create_time) = '2024-01-15';

逻辑说明：第一行定角色，第二行定任务和口吻，第三行属于"负面清单"——明确告诉AI不要做什么。很多新手只写前两句，结果AI先夸一句"这段代码写得不错"，浪费时间。把"不要铺垫、不要夸赞"写进去，输出会干净很多。

参数说明：角色可以随意替换。"数据分析工程师"决定了回答会往索引、执行计划、扫描行数这些方向走；换成"业务负责人"，同一段SQL会被解读成成本视角。所以角色不是装饰，它是输出风格的开关。关于角色的坑有两条：一是"你是高手"这种说法太宽，没有信息量；二是角色和任务不匹配，比如让前端工程师角色去回答后端架构问题，反而会被角色带偏。

2.2 任务动词与输出格式：把模糊意图变成可执行指令

模型对动词的理解差异很大。"看一下""整理一下"这类弱动词，等于把判断权全交给模型，它只能给出平均水平的输出。强动词则给模型划定了动作边界：提炼、对比、改写、翻译、审校、列出、概括。

下面这段是信息处理场景里非常典型的写法：

任务：提炼下面这段对话记录的核心决策。 要求： 1. 按"决策事项 / 结论 / 负责人 / 截止时间"四列输出表格； 2. 每条结论不超过30字； 3. 原文中没有提到的信息不要推断。 【对话记录】 ……

逻辑说明：这个提示词的可贵之处是"四列输出的列名本身就是提取维度"。AI抽取信息时会主动往这四列里填内容，而不是按它自己的想法自由发挥。"不超过30字"是在约束粒度，"不要推断"是在关掉补全开关。

参数说明：把"总结一下这段会议"改成这个写法，输出从一段散文变成一张能直接粘进周报的表格，这就是任务动词和格式约束拉开的差距。复杂任务还可以继续切分，常见做法是加"第一步做什么、第二步做什么"，把多线程任务拆成顺序步骤，模型每一步都执行得更稳。

2.3 背景与约束条件：两句话挡住跑偏

模型不知道你的受众是谁、用途是什么、语气该怎么样。背景信息是给它补上下文，约束条件是给它上护栏。两者配合，才能让输出落到你的真实场景里。

背景：我要给部门新同事写一份入门说明，他们完全没接触过提效工具。 要求： - 语气像同事聊天，不要像官方文档； - 每一条都要有"为什么值得做"； - 总字数控制在600字以内； - 涉及具体操作时，按步骤编号写。

逻辑说明："语气像同事聊天"锁定了遣词方向，"官方文档"是反面参照；"为什么值得做"决定了每一条的展开结构；600字给了模型明确的生成预算；"按步骤编号"影响的是排版骨架。

参数说明：背景信息控制在两到三句话，约束条件挑两到三条最关键的。注意，把约束写成 checklist、一口气堆六七条，效果反而变差——模型会平均分配注意力，最后哪一条都没做到位。我的习惯是每条提示词里只保留一个格式要求、一个字数要求、一个限禁事项，超过三条就做减法。

2.4 一个最小可复用的提示词模板

把前面四个要素合成一个填空模板，就是基础版里绝大多数条目的共同来源。我一般会让团队里的人先套这个骨架：

你是一名【角色】，擅长【领域】。 我的【任务类型】是：【一句话说清目标】。 背景：面向【受众】，用于【用途】。 要求： 1. 【格式要求，如列表/表格/Markdown】； 2. 【一个关键约束，如字数/语气/禁止事项】； 3. 不确定的信息直接说明，不许编造。 正文： 【待处理内容】

逻辑说明：这个顺序不能乱。角色放在最前面，后面所有指令都会默认挂在角色上；任务动词一句话说清，避免模型自己拆解出歧义；正文必须放在最后，中间用"正文："隔开，防止模型把你的正文内容误当成指令。

参数说明：任务类型里动词一定要具体，"帮我看看"要改成"审校""提炼""给出修改建议"；约束条件里"不许编造"在高价值信息处理场景不要省；背景字段如果一时想不清楚受众，宁可不写也不要编，写错受众比不写更容易把输出带偏。基础版的价值就在这里——它给了你几十条已经调好变量的成品，你要做的不是背下来，而是观察每条模板改了哪个位置的哪个词。

提示：拿到一条新模板，先花一分钟反推它的角色、任务、背景、约束分别是什么，再复制到对话里用。这个过程比模板本身更值得投入。

3. 四个高频场景的提示词配方：写作、信息处理、代码与学习

基础版资料里收录的模板虽然多，按使用频次排下来，写作、信息处理、代码辅助、学习陪练占了绝大多数。这一章给出四个场景里最可靠的基础配方，可以直接复制改参数。

3.1 内容创作类：从大纲到成文的提示词链

内容创作最容易翻车的写法是直接说"帮我写一篇关于某某的文章"，模型会一口气输出一大段结构混乱的内容。常见做法是先让模型出大纲，你定了方向，再让它逐节扩写。

你是一名公众号编辑。 请围绕"提示词不仅仅是提问技巧"这个主题，给出一篇文章的大纲。 要求： - 目标读者是每天使用大模型但输出总不理想的新手； - 大纲分5个部分，每个部分给出核心论点和一节示例标题； - 标题要具体，能让人一眼知道这节写完能获得什么。

逻辑说明："目标读者"约束了深度和用词；"5个部分"是结构预算；"示例标题要具体"是为了避免大纲变成"引言、方法、案例、总结"这种空壳。

拿到大纲后，进入逐节扩写，提示词是：

请把下面这一节扩展成600字小文，保持口语化，不堆术语： 【上一步生成的大纲中的第3节】

参数说明：一次只扩写一节，因为单次输出太长时，后半段容易跟前文矛盾；"600字"控制在单次输出的安全预算内；"保持口语化"锁定基调。不同平台改一句约束就能切换风格——小红书风格加"多分段、适当用短句"，长文平台加"保持中性叙述、减少感叹号"。这段提示词链是整个创作场景的主干，其余润色、加小标题、换开头，都是在它之上做增量。

3.2 信息处理类：总结、提炼与对比的结构化问法

信息处理最大的问题是AI给出车轱辘话——字数不少，信息密度低。常见做法是把"总结"拆成"先提取、再归纳、最后按维度输出"三个步骤。

下面是某产品发布的闲聊记录。请按以下步骤处理： 第一步：找出所有提到"用户反馈"的信息，整理成清单； 第二步：从清单中提炼出三个高频问题； 第三步：按问题频率从高到低输出表格，列名：问题现象 / 出现场景 / 影响程度。 只基于给定文本回答，不要补充你自己的经验。

逻辑说明："第一步/第二步/第三步"把复杂任务切碎，模型分步执行比直接输出总结的合格率高得多，因为它每步只需要做一个动作。最后一句"只基于给定文本"是防幻觉的关键开关。

参数说明：列名影响信息提取的方向，想要什么信息就把什么写进列名里；"不要补充你自己的经验"在高价值内容处理场景必须保留，否则模型会把训练时见过的其他内容混进来。做多文本对比时，常见做法是用分隔符把不同文本标开，然后要求"分别标注来源"，比如"文本A提到……文本B提到……"，这样输出可以直接看出差异，而不是混成一团。

3.3 编程辅助类：让代码输出开箱即用的提问姿势

写代码场景里，最让从业者头疼的是AI给出一段半成品，省略import、省略边界处理，甚至只给核心逻辑，让你自己补。解法是在提示词里把"完整可运行、不省略、可观测"写成硬要求。

我有一段Python代码，作用是批量重命名目录下的文件。 需求： 1. 请给出完整可运行版本，不要省略任何import； 2. 处理重名文件时自动加序号后缀； 3. 打印每一次重命名的原文件名和新文件名； 4. 给出一个调用示例。 我的现状代码： ……

逻辑说明：第1条直接压制"省略病"，第2条是边界条件，第3条让输出可观测、方便你验证结果，第4条是为了让你能立刻复现。四条合起来，才是一个"开箱即用"的代码提示词。

参数说明：除了需求，还要在提示词里说清环境——操作系统、语言版本、依赖库，不说环境模型只能猜。另外，报错信息不要描述成"它报错了"，直接把报错全文粘贴到提示词里，让AI基于真实报错定位，命中率会明显提升。这一条算是我见过被忽略最多的高性价比技巧。

3.4 学习类：让AI当陪练而不是答案机

学习场景最常见的误用是把AI当搜索引擎，要什么答案它直接给什么，学完什么都记不住。常见做法是让AI扮演陪练，控制交互节奏——先解释，再练习，最后批改。

你是一名善于用例子讲解的助教。 我正在学习【知识点的名字】。 请先给我一个生活化的类比，解释它的核心思想； 然后给我出一道简单的练习题，并告诉我做这道题的目的； 先不要给答案，等我提交后再批改并引导我修正。

逻辑说明："先不要给答案"是这条提示词的灵魂。它把AI从答案机切换成陪练，强迫你完成思考环节，然后再进入批改环节。少了这句，AI会把类比、题目、答案一次性全给你，练习效果等于零。

参数说明：难度档位可以调整，"简单的练习题"换成"中等难度、需要两步推理的题"，输出难度立即变化。批改环节还可以追加一句"先指出思路里的问题，再给优化建议"，让反馈更结构化。这套配方用在概念理解、语言学习、面试准备上都成立，改知识点名称和题目类型就行。

4. 参数与上下文管理：让同一句提示词稳定输出

很多人发现同一个提示词，上午跑和下午跑结果不一样。这不一定是你写错了，而是生成参数和上下文状态在变化。基础版使用者不需要精通参数，但至少要能识别这两个变量，必要时自己动手调。

4.1 temperature与top_p：控制创造力的两个旋钮

temperature控制的是采样的随机程度：数值越低，模型越倾向选概率最高的词，输出越稳定；数值越高，越可能选概率较低的词，表达越丰富。top_p是另一种采样控制方式，按累积概率截断候选词，数值越低候选范围越窄。

逻辑说明：这两个参数只决定"选词的风向"，不决定内容对不对。代码和数据处理要的是可复现性，所以低温；创意写作要的是发散，所以高温。多数场景只动temperature就够了，top_p的改动场景不多，两者同时调到极端值反而可能互相抵消，效果不如只改一个。

参数说明：不同服务的取值范围不完全一样，以你使用的服务文档为准，但趋势是通用的。基础版资料里绝大多数模板都假设温度不高，如果你发现同一段提示词每次跑出来风格差异大，先检查是不是温度被调高了。

4.2 max tokens与生成长文：单次输出有预算

max tokens限制的是单次生成的token数量，超出即截断。截断的后果很直接：文章结尾突然中断、代码少了一半、结论没输出。遇到长内容，常见做法不是让AI一口气写完，而是拆成"大纲—分节—审校"三段式。

第一轮：请为《城市垃圾分类推进方案》写三级大纲，每节标注预计字数。 第二轮（选中其中一节）：请按大纲第3节写正文，目标字数800字，写到自然段落结束即可。 第三轮：请审校上一轮正文，找出逻辑跳跃之处，并给出修订建议。

逻辑说明：每一轮任务边界清晰，模型不会因为输出长度超预算而在中途截断。更重要的是，分段生成让每个中间步骤你都能介入调整——大纲不满意就改大纲，没有必要浪费一整段正文的生成额度。

参数说明：每轮明确"目标字数"，给模型一个预算锚点；"写到自然段落结束"防止它在尴尬位置停下。多轮生成比一次超长生成的优势不是质量，而是可控性。生成完的段落之间，再让AI做一次"合并检查"，避免上下语言风格不一致。

4.3 few-shot示例：与其描述一万遍，不如给一个样板

模型对样例的理解比对形容的理解更准确。你说一百遍"格式要专业"，不如给它一个具体的输入输出样例，它会直接从样例里反推开头的格式、收尾的方式、语言的密度。

请按照下面的样例格式，回答我的问题。 样例输入：如何提高代码可读性？ 样例输出： 一、结论：从命名、结构、注释三个方面下手。 二、要点： 1. 命名：使用业务语义，不使用缩写。 2. 结构：按职责拆分，不写超长函数。 三、一句口诀：让别人接手时不需要问。 我的问题：如何在会上清晰表达不同意见？

逻辑说明：两个样例之间的空行是为了让模型看清边界，"我的问题"必须是最后一个分隔符，否则模型分不清哪部分是样例、哪部分是当前任务。如果你把样例和问题挤在一起，模型很可能把"我的问题"也当成了样例的一部分。

参数说明：样例选1到3个就够，选多了会稀释注意力；样例里展示的风格会被模型放大，所以选"你希望每次输出都具备的风格"做样本，而不是挑一个特殊案例。基础版模板大量使用这种结构，本质上是把规范化的输入输出样本直接固化成了可复用格式。

4.4 上下文窗口与多轮对话：AI的记忆比你以为的短

上下文窗口是模型一次能看到的全部内容。对话越长，早期指令越可能被截断或弱化，所以"它明明在第一轮说过，为什么第三轮忘了"不是产品的bug，而是窗口的物理限制。应对策略是：关键约束每轮重申。

不好的追问："按刚才的要求继续。" 更好的追问："继续。仍然遵循之前的要求：只基于给定文档作答，并输出Markdown表格。下面是新内容：……"

逻辑说明：第二种写法把影响输出正确性的规则重新写了一遍，而不是指望模型从历史里翻出来。多轮对话里，越关键的规则越要靠近本次输入，因为它被截断的概率越小。

参数说明：需要重申的是规则，不是聊天礼貌语。"按刚才的要求"省了几个字，但代价是模型可能已经丢失了"要求"的内容。另外，一个会话尽量只做一类任务，中途切换任务类型时，常见做法是直接开新会话，把必要背景重新贴一次，不要在一个长对话里反复横跳。

注意：发现AI开始偏离你的要求时，先回头看对话长度和上下文窗口的关系，不要急着怀疑模板写错了。把约束在新一轮里重写一遍，往往比反复纠正它更省事。

5. 提示词避坑指南：五个最容易翻车的现场与解决办法

基础版模板本身没有太多问题，翻车大多出在使用姿势上。这一章按"现象→原因→解决"整理五个高频踩坑现场，都是我见过最多的情况。

5.1 现象：回答泛泛而谈，正确但没有信息量

现象是提示词给了，输出却是"要注重沟通、要提升效率、要加强复盘"这类放哪都能用的话。原因是指令里没有受众和立场约束，模型识别到题目太大或太模糊，就选择了最安全的通用表达。解决方法是给模型一个具体出发点和用途，比如把"如何提高会议效率"改成"我是研发团队的负责人，想改善周会超时问题，请给出三条可当天执行的调整方案并说明代价"。同样的主题，后者逼着模型落到具体团队和具体动作上，输出立刻有信息量。

5.2 现象：AI一本正经地编造数据、书名和引用

现象是要求列参考资料，AI给了作者名、年份、出版社，看着像模像样，实际这部著作根本不存在。原因是模型有补全倾向，遇到信息空白时，会用"最可能存在的样子"填空，开放性问题尤其严重。解决方法是限定信息来源，要求"只基于我提供的文本回答"，并且提示词末尾固定加上一句"不确认的信息标注'未知'，不要猜测"。这句话对所有高价值信息处理任务都适用，可以在词库里做成固定后缀，复制到每个任务末尾，比每次现写省事得多。

5.3 现象：多轮对话后AI忘了最开始的设定

现象是前两轮还能保持角色语气，到第四轮开始变得像通用客服。原因是长对话早期内容被截断或弱化。解决方法是把角色和关键约束写进每一轮新指令里，不要依赖历史。比如第二轮开头就写"继续保持数据分析工程师角色，结合前面的结论，回答……"。另外一个任务类型开一个会话，不把完全无关的问题混在同一个对话里，这条实践能省掉大量"重设角色"的精力。

5.4 现象：要求JSON或表格，AI偏给一堆解释

现象是要求输出JSON，AI先来一句"好的，以下是您需要的JSON"，然后才给结果。原因是格式指令不够硬，模型认为你需要前置说明或注释。解决方法是把期望结构直接写成示例，并在末尾加一句"只输出结果，不要任何解释和前缀"。比如给出：

期望输出格式（只输出这个JSON，不加其他内容）： {"title": "会议纪要", "items": []}

逻辑说明：给一个最小可用的结构示例，模型会照着这个形状生成，而不是自己发明结构。加"不要任何解释和前缀"之后，输出里那些客套话基本可以消除。

5.5 现象：提示词越写越长，效果反而更差

现象是所有能想到的约束全堆进提示词，结果AI答非所问，抓不住重点。原因是长提示词稀释了核心指令，模型把注意力分配给了大量次要信息。解决方法是回到五要素骨架，每类只留一条最强约束，并且用负面清单代替长描述。比如"不要客套、不要重复、不要超过300字"比"请用精炼的语言、避免冗余表达、控制篇幅"更直接有效。提示词从150字减到50字，输出稳定度反而提升的情况我见过太多次，精简本身就是一种调试手段。

6. 把基础版沉淀成自己的词库：验证方法与迭代习惯

基础版给你的是一堆别人调好的模板，但这些模板在你的真实任务上是否稳定，必须自己验一遍。我的验证方法是同一句提示词、同一个输入，连续跑三次，看三次结果之间差异大不大。如果三次输出都能用，再换一个输入测泛化；如果只在特定输入上有效，就把适用条件写进备注。

验证通过后的模板，不要直接丢进收藏夹吃灰。我的迭代习惯是：一次只改一个变量。想调语气就只改语气词，想调长度就只改字数约束，绝不两个变量一起动，否则根本说不清是哪个改动生效。每次改动效果好的，就把"改了什么、为什么有效"记在模板末尾，三个月之后这个记录本身就是一张完整的经验地图。

沉淀词库时按场景分类：写作类、信息处理类、代码类、学习类，每个模板开头写清楚适用条件，末尾附一两个翻车案例。翻车案例比成功案例更值钱——它帮你下次一眼认出同样的问题。进阶方向上，熟练之后可以从单条模板走向链式提示词，用多轮分工完成原先一条指令塞不下的大任务；也可以开始做风格固化，用固定示例统一所有输出的口吻。这一步走通了，基础版就真的变成了你自己的资产。我自己的习惯是，每遇到一个效果好、能被复用的提问句式，立刻复制进词库并备注原因，坚持几个月后再回看，会发现那些当时觉得玄学的规律，已经全被沉淀成了确定性的操作。这个方向，希望帮到你。

本文还有配套的精品资源，点击获取