提示工程入门：让 AI 听懂你的话，10 个实用技巧

很多人用 AI 对话工具的第一感受是：「这东西没什么用，问了半天答得都是废话。」然后就放弃了。但真正懂提示工程的人，用同一个工具却能产出有价值的分析、高质量的文稿、可运行的代码。

差距在哪？在于你怎么问。

这篇文章不聊理论，直接给 10 个可以立刻上手的提示技巧，覆盖日常使用最高频的场景。读完你就能感受到明显差距。

什么是提示工程？先讲清楚

提示工程（Prompt Engineering）就是：设计和优化你输入给 AI 的文字，让它给出更准确、更有用的输出。

打个比方：你让一个刚入职的实习生帮你写一份竞品分析报告。你只说「帮我分析一下竞品」，他很可能给你一篇泛泛而谈的流水账。但如果你说「请以市场份额、价格策略、产品功能差异三个维度，对比 A 和 B 两款产品，面向我们公司销售团队，写一份 500 字的分析摘要」，结果会完全不同。

AI 也一样。它不会读心，你给的上下文越清晰，它产出的内容越贴合需求。

10 个实用提示技巧

技巧 1：给 AI 一个清晰的角色身份

在提示开头指定角色，是最简单、回报最高的单个操作。

普通写法： 「帮我写一封道歉邮件」

加了角色： 「你是一位拥有 10 年经验的企业公关顾问，擅长处理客户投诉危机。现在帮我写一封向大客户道歉的邮件……」

角色要具体，包含「领域 + 资历 + 目标受众的视角」这三个要素。比「你是专家」这种模糊表述有用得多。

在 Claude 里，角色提示配合 XML 标签效果尤其好，比如用 <role> 标签包裹角色描述。

技巧 2：明确输出格式

AI 默认会用它觉得合适的格式，但你的需求往往不同。把你要的格式写进提示。

• 「用 Markdown 表格输出，包含三列：工具名称、核心功能、适用人群」
• 「以 JSON 格式返回，字段包括 name、price、pros、cons」
• 「给我 5 个备选标题，每行一个，不要编号，不要解释」

格式越具体，输出越干净，后续处理越省事。

技巧 3：提供背景上下文

AI 的输出质量高度依赖它掌握的上下文。把你的场景、受众、约束条件告诉它。

坏例子：「帮我写一段产品介绍」

好例子：「这是一款面向中小学生家长的 AI 学习辅助 App，核心功能是作业辅导和错题本，主要竞品是学而思。帮我写一段 100 字的微信朋友圈推广文案，语气温暖、强调安全，避免夸大其词。」

背景信息包括：是谁在看、用在哪里、有什么限制、不能做什么。

技巧 4：链式思考（Chain-of-Thought）

对于复杂的分析、计算、推理类任务，在提示末尾加一句「请一步步思考」或「请先列出分析框架，再给出结论」，能让 AI 的推理质量显著提升。

这个技巧来自学术研究：让模型显式地写出推理过程，能减少直接跳到答案导致的错误。

实践中，对于 ChatGPT、Claude 这类主流模型，加上「Let's think step by step」或中文的「请逐步分析」，在逻辑题、商业分析、代码调试等场景都有明显提升。

技巧 5：少样本示例（Few-Shot）

如果你对输出风格有很具体的要求，直接给 AI 看 1-3 个你满意的例子，比描述「写得自然一点」有效十倍。

请仿照以下风格写 3 句产品 slogan：

示例 1：「不是所有牛奶都叫特仑苏」
示例 2：「今年过节不收礼，收礼只收脑白金」

现在为一款便携式空气净化器写 3 句 slogan。

示例要有代表性，覆盖你关心的风格维度，且格式保持一致。

技巧 6：限制回答范围，避免废话

AI 有时候会给你一大段「首先……其次……总的来说……」的套话。用限制性语句切掉废话。

• 「不要解释背景，直接给结论」
• 「不超过 3 点，每点不超过 30 字」
• 「不要给我选项，直接给最优推荐，并说明理由」

这个技巧尤其适合用 ChatGPT 做快速决策或信息提取时。

技巧 7：用迭代替代一次性完美提示

很多人花大量时间想「怎么写出完美的 prompt」，其实更高效的方式是先发出去，然后根据结果快速迭代。

第一轮：给一个大致方向，看 AI 怎么理解； 第二轮：针对你不满意的部分精确修正，比如「这个太正式了，改得口语化一些」； 第三轮：如果还有问题，追加上下文或例子。

三轮内基本能拿到想要的结果。比一开始就写几百字提示要高效得多。

技巧 8：把长任务拆分

「帮我写一篇关于 AI 发展史的 5000 字文章」很难一次拿到满意的结果。拆开更有效：

1. 先让 AI 给出大纲和章节结构
2. 你审阅大纲，修改或确认
3. 逐章节生成
4. 最后让 AI 做整体润色

这个方法对长文写作、代码开发、方案设计都适用。大任务拆小、分步执行，可控性远高于一次提交。

技巧 9：明确告诉 AI 你不知道的边界

这个技巧叫「告知 AI 允许说不知道」。默认情况下，AI 会尽量回答，哪怕没有信心，也可能给你一个听起来合理但实际错误的答案（幻觉问题）。

在提示里加上：「如果你不确定，请明确说明，不要猜测」，能让模型在不确定时诚实反馈，而不是一本正经地胡说。

对于事实性查询（数据、日期、人名、政策等），这一句话很关键。

技巧 10：用 XML 标签结构化复杂提示

当你的提示包含多个部分（背景 + 任务 + 约束 + 示例），用 XML 标签组织它们，AI（尤其是 Claude）的理解准确率会显著提升。

<context>
你是一家跨境电商公司的运营负责人，公司主售美妆产品，月流水 200 万。
</context>

<task>
分析我们是否应该在今年 Q3 进入 TikTok Shop 东南亚市场。
</task>

<constraints>
- 预算有限，不超过 10 万启动资金
- 团队没有东南亚本地运营经验
- 需要在 3 个月内看到初步成效
</constraints>

<output_format>
给出 3 条关键风险、3 条关键机会，以及一个明确的「建议做 / 建议不做」结论。
</output_format>

常见错误和避坑

工具推荐与场景适配

写作、分析、研究： Claude 的长上下文优势明显，处理长文档、复杂任务首选；提示技巧中的 XML 标签在 Claude 上效果最好。

日常问答、联网搜索、代码： ChatGPT 生态最完善，GPT-4o 对话流畅，联网能力稳定，Custom GPTs 能固化你的常用提示。

总结

提示工程的核心逻辑只有一句话：你越清楚地告诉 AI 你想要什么、给谁看、什么格式、什么限制，它的输出就越贴合你的需求。

上面 10 个技巧，按使用频率排个优先级：

1. 角色 + 上下文（每次都加）
2. 明确格式和限制（避免废话）
3. 链式思考（复杂推理任务）
4. 少样本示例（有风格要求时）
5. 迭代而非完美一次（心态调整）

从今天起，下次用 AI 之前，花 30 秒想清楚「我要什么格式、给谁看、有什么约束」，再发出去，效果会立刻不同。