很多人第一次用 AI 聊天，问一句"帮我写个方案"，拿到一堆正确的废话，于是判定"不过如此"。另一些人用同样的模型，几分钟产出能直接用的结果。中间的差距，往往不在模型，而在"怎么问"——也就是提示词工程（prompt engineering）。

一、它到底是什么

提示词工程不是玄学，而是"把模糊的需求翻译成机器能稳稳执行的指令"。模型很聪明，但缺乏上下文和你脑子里的隐含前提。你的任务，是把那些没说出口的假设补齐：目标读者是谁、要什么格式、有哪些禁忌、做到什么程度算好。

它也不需要多高深。对绝大多数人，掌握几条结构化写法，效果就能上一个台阶。

二、一个好提示的基本骨架

把需求拆成几块，模型更容易照办：

  • 角色：让它以某种身份思考，比如"你是一位资深产品经理"。
  • 任务：清晰说要干什么，避免"弄一下"这种模糊词。
  • 上下文：背景、约束、已有材料。信息越具体，跑偏越少。
  • 格式：要列表、表格、还是分段？给个样板更好。
  • 边界：不要什么、篇幅多长、语气如何。

举例："你是技术博客作者（角色），把这段 Python 代码改成更易读的版本（任务），面向初学者、保留注释（上下文），输出前后对比的表格（格式），不要引入新依赖（边界）。"——比"优化下这段代码"强太多。

三、三个最常见误区

太笼统。"写篇文章"会得到泛泛而谈。"写给备孕女性的叶酸科普，800 字，口语化，带三个常见误区"才可能贴近需求。

缺上下文。让模型"解释这个概念"，它不知道你什么水平。补一句"用高中生能懂的比喻"，输出立刻不同。

一次塞太多。既要总结又要翻译还要列大纲还要改语气，模型容易顾此失彼。复杂任务拆成多轮，或明确优先级。

四、迭代与少样本

别指望一句就完美。把第一版结果当成草稿，指出哪里不对，让它改——"第二段太技术了，举生活例子""缩短到 300 字"。这种对话式迭代，往往比苦思一句神 prompt 更高效。

还有一招叫少样本（few-shot）：先给一两个"标准答案范例"，再让它照着做。模型擅长模仿你展示的模式，比纯文字描述更稳。

五、工具生态：从聊天到写代码

日常最易上手的是通用聊天助手，适合写作、脑暴、答疑，把上面的骨架直接套用即可，比如ChatGPT这类入口；需要更长文本、更强的文档处理时，Claude的长上下文很有优势；而当任务落到"改代码、建项目"，带编辑器能力的Cursor能把提示词直接变成可运行的改动，闭环更短。

选哪个，看你的任务落在"纯对话""长文档"还是"写代码"哪一段——提示词的逻辑是通的，只是载体不同。

小结

提示词工程的本质，是把你心里默认知道、却没说出来的东西，显式地交给模型。结构清晰、上下文充足、敢于迭代，是三条最实用的原则。工具只是放大器：你把需求说清，它才放得出力。