1.1 什么是 ChatGPT Prompt：指令、上下文与期望输出
我第一次认真琢磨“Prompt”这个词，是在一个深夜。当时我想让ChatGPT帮我写一封辞职信，敲进去“帮我写辞职信”六个字，它给我的东西像从模板网站扒下来的——客气、空洞、跟我半毛钱关系没有。我盯着屏幕愣了一会儿，试着补了一句：“我是做电商运营的，干了三年，跟老板关系不错，想走得体面但别太煽情。”这一次出来的文字，读着读着我就笑了，那语气分明就是我平时说话的调调。
Prompt这个词翻译成“提示词”，听着挺轻巧，其实它包着三层东西。一层是你希望模型做什么，这叫指令，像“写一封邮件”“解释量子纠缠”。一层是你给的背景信息，谁写的、给谁看、什么场合、有什么不能碰的雷区，这叫上下文。还有一层是你心里那个说不出口的期待，长度多少、语气软还是硬、要不要分条列点，这叫期望输出。三层缺一层，出来的东西就飘。
我后来把这个理解讲给朋友听，她说那你这不就是跟人交代事情吗。差不多，就是跟一个知识量极大、理解力极强、但完全不知道你处境的人交代事情。它不知道你昨晚跟谁吵了架，不知道你公司那套黑话，不知道你老板看到“我不干了”四个字会血压升高。你能给多少上下文，它就能把活儿干到多细。这是我摸索了小半年，最有感触的一条。
1.2 Prompt 对回答质量的影响机制
有人觉得模型能力是固定的，写得好是模型聪明，写得差是模型笨。我一开始也这么想，后来做了个对比实验才改观。同一个问题“帮我写个周报”，我分别用三种方式问。第一种只给这句话，出来的是流水账。第二种加上了我这周干了什么、要突出哪个项目，出来的是能交差的周报。第三种再加一句“我领导喜欢看数据，标题要短，三点式”，出来的东西我基本没改就发出去了。
模型不是变聪明了，是我把雷达调准了。它的注意力像一个手电筒，你只给一个模糊的方向，它就往宽了照，光散出去了，照到的东西就浅。你给一个窄而清晰的方向，它能把光聚到一个点上，照得深。这个机制说白了不神秘，就是语言模型本质在做概率预测，你给的前文越具体，它预测下一个词的搜索空间就越小，出来的结果就越贴近你要的那块地方。
我还有个体会，Prompt对质量的影响不是线性的。前几次优化，效果提升很明显，从“没法看”到“能用”。再往后，改动越来越细，什么“把第二段挪到开头”“换成短句”，每一次提升就那么一点点。但这点点累积起来，一份东西从能用变成好用，从好用变成愿意署自己名。这个过程像雕刻，大斧子砍出轮廓很快，后面拿小刀修眉目才是真功夫。
1.3 常见误区：模糊指令、角色缺失与目标不清
我踩过的坑，现在回头看，基本绕不开三类。一类是话说太省。“写个方案”，什么方案，给谁看，多少字，解决什么问题，一个字不提。模型只好按它见过的最普通的样子来，出来的东西放在哪儿都像，放在你这件事上就不像。我管这叫“对着空气喊话”。
另一类是忘了给身份。我早期提需求从来不设角色，结果就是模型用一套万金油口吻应付所有事。让它审代码，它说话像客服。让它写行业分析，它说话像百科。后来我在开头加一句“你是一个有十年经验的电商运营总监”，出来的东西立刻有了行家的角度，会盯着转化率、复购、库存周转这些真问题说话，不再泛泛而谈。
还有一类更隐蔽，我自己叫“目标不清”。我心里想要A，嘴上说的是B，模型给了我B，我怪它不懂我。有次我想让它帮我改一段文案，我说“润色一下”，它给我改得文绉绉的，其实我心里想的是“再口语一点，像聊天”。你看，我连自己要什么都没想明白，就急着让它动手。现在我养成一个习惯，敲字之前先问自己一句：我到底要它交给我什么。这句话想清楚了，Prompt就顺了。
1.4 相关搜索意图：ChatGPT Prompt 是什么、怎么写
我注意到搜“ChatGPT Prompt 是什么”的人，多半刚上手，脑子里有个模糊的影子，想找个明确的定义把它框住。他们真正想知道的其实是：这东西跟我以前用的搜索框有什么区别，为什么我搜关键词和写Prompt得到的答案差那么多。答案就藏在前面说的那三层里，搜索框只吃指令，Prompt能吃指令、上下文和期望输出。
搜“ChatGPT Prompt 怎么写”的人，段位通常高一点，已经知道要写好Prompt，卡在具体动作上。他们想看的不是概念，是例子，是那种“我之前这么写，后来改成那么写”的对照。这类需求特别实在，你把一段稀烂的Prompt和一段打磨过的Prompt并排放出来，再点出改了什么、为什么这么改，比讲十页理论都管用。
我写这一整本东西的出发点，就是这两种搜索意图。第一个问题，我用第一章把它说透，让概念落地。第二个问题，我用后面每一章去喂它，从技巧到模板到进阶再到实战，一层一层往上垫。你要是刚接触，看完这章就可以往下翻技巧那部分。你要是已经写过一阵子，直接跳到模板和实战，拿现成框架套自己的活儿。怎么读都行，关键是别停在概念上，动手写几条，感觉自然就来了。
概念那章聊完，你可能觉得“把话说清楚”就够了。我一开始也这么想，后来发现说清楚只是及格线。真正拉开差距的，是“精准控制”——你知道自己要什么，也知道怎么让模型只给你要的那部分。这中间的功夫，我花了很长时间才摸到门道。
2.1 明确目标：任务、对象、格式与约束
我最早写 Prompt 有个毛病，动词特别虚。“帮我写个东西”“弄一下这个”“优化优化”。模型收到这种话，只能猜。猜对了算运气，猜错了浪费彼此时间。后来我逼自己把动词换掉。不是“写”，而是“写一封给客户的道歉邮件”“写一段产品介绍”“写三条短视频标题”。动词越具体，模型的动作就越准。
对象这件事，我踩过坑才记住。同样一句“解释一下区块链”，讲给程序员听和讲给完全不懂技术的人听，出来的东西天差地别。我在 Prompt 里加上“读者是五十多岁、不太用智能手机的家长”，模型立刻换了一套比喻，把区块说成账本，把挖矿说成记账比赛。格式和约束也得说。要多少字，分几段，能不能用列表，有没有必须出现的关键词，有没有不能碰的词。我以前不说这些，拿到结果再手动改，改的时间比写 Prompt 的时间还长。现在我养成一个习惯，敲字之前先问自己四件事：做什么、给谁看、长什么样、不能怎么样。这四个问题答完，Prompt 基本就立住了。
2.2 角色设定：让 ChatGPT 进入专家视角
角色设定是我认为性价比最高的技巧，没有之一。加一句话，效果提升一大截。我印象很深的一次，是让模型帮我审一份商业计划书。不设角色的时候，它说“这份计划书结构完整、内容详实”，全是场面话。我加了一句“你是一个看过上千份 BP 的投资经理，专门挑逻辑漏洞和财务假设的毛病”，它马上换了副面孔，指出用户增长预测太乐观、成本结构没算人力、退出路径模糊。那感觉像换了个大脑。
角色不能只给头衔，头衔太薄。“你是一个专家”等于没说。我一般会叠三层：身份、经验、立场。身份是“电商运营总监”，经验是“带过二十人团队、做过千万级 GMV”，立场是“对库存周转和复购率特别敏感”。三层叠上去，模型说话就有了行家的重心，不再飘在表面。你还可以给它一个具体的任务场景，比如“你正在跟老板汇报，老板只关心利润，不关心过程”，它就会自动调整措辞和详略。
角色设定也有边界。有次我让模型扮演一个“特别毒舌的编辑”，它把我一段本来还算顺的文字批得体无完肤，虽然有些话确实在点子上，但语气太冲，我得花时间消化情绪。角色太强会盖过任务本身。我现在的做法是，角色服务于任务，任务需要什么视角，我就给什么角色。需要创意的时候，我会给一个“爱胡思乱想的文案”，需要严谨的时候，我给一个“有审计背景的分析师”。角色是工具，不是表演。
2.3 分步引导：复杂任务拆解与链式思考提示
复杂任务一口吃，模型会噎着。我试过让 ChatGPT 一次性写一份完整的市场分析报告，三千字，包含数据、竞品、策略、执行计划。出来的东西前五百字还行，后面越来越水，像赶工交差。后来我换了个做法，先让它列大纲，我确认大纲没问题，再让它一节一节写，每写完一节我读一遍，有问题当场让它改。整个流程慢了一点，成品质量翻了一倍不止。
拆解的核心是让每一步都有明确的输入和输出。我写长文的时候会拆成四步：列大纲、写初稿、补案例、统稿润色。每一步我都给一个单独的 Prompt，前一步的输出直接变成后一步的输入。这样做还有个好处，中间哪一步不满意，我可以只重做那一步，不用把整篇推倒重来。有些任务更适合链式思考提示，比如数学题、逻辑推理、方案评估。我会加一句“先一步步分析，再给结论”，或者“把你的推理过程写出来，最后用一句话总结”。模型会顺着这个要求，把中间步骤铺开，答案的可靠性明显提高。
链式思考不是万能钥匙。有些任务根本不需要推理，你让它“一步步想”，它反而啰嗦。我一般看任务类型：需要判断、计算、权衡的，用链式；需要创意、生成、改写的，直接给指令更干脆。还有个细节，我不要求模型展示“隐藏的思考过程”，只要求它把可验证的步骤写出来。这样既拿到了推理的透明度，又不会陷入对模型内部机制的过度纠结。
2.4 示例驱动：Few-shot 与参考样例的用法
Few-shot 这个词听着技术，说白了就是“给例子”。你想让模型写什么风格，就给它看一段那种风格的文字。我最早用这招是让模型模仿我的写作语气。我贴了三段自己以前写的文章开头，说“照这个调子写一段关于旅行的文字”。它写出来的东西，用词习惯、句子长短、甚至那种有点懒散的节奏，都跟我很像。我当时有点惊讶，后来想通了，模型就是在做模式匹配，你给的模式越清晰，它匹配得越准。
给例子有几个讲究。例子要干净，不能有错别字、逻辑混乱、风格打架。你给三个例子，两个正经一个搞笑，模型会精神分裂。例子要典型，能代表你想要的那类输出。我一般给两到三个，太少不够形成模式，太多会占满上下文，模型反而抓不住重点。如果是分类任务，例子最好覆盖不同类别，让模型看到边界在哪里。比如让模型判断用户评论是正面还是负面，我给一条明显正面、一条明显负面、一条阴阳怪气的，它就能学会处理模糊地带。
参考样例不一定是“输入输出对”，也可以是一段你欣赏的文字、一份你认可的模板、一个你喜欢的结构。我让模型帮我写产品文案的时候，会贴一段苹果官网的文案作为参考，说“我想要这种简洁、有节奏、不堆形容词的感觉”。它不会照抄，但会吸收那种气质。这招比抽象地说“写得高级一点”管用得多。你给的样例越具体，模型越能抓住你心里那个说不清的标准。
2.5 输出控制：长度、语气、结构与 JSON/表格格式
输出控制是我从“能用”走向“好用”的关键一步。以前我拿到结果总要手动调格式，调长度，调语气，烦得很。后来我学会在 Prompt 里直接写清楚。长度用字数或段落数约束，比如“控制在三百字以内”“写五段，每段不超过三句”。语气用场景描述，比如“像跟朋友聊天”“正式但别打官腔”“带点自嘲”。结构用明确的标记，比如“分三个小标题”“用表格对比”“先给结论再给理由”。
JSON 和表格格式适合需要后续处理的内容。我让模型提取信息的时候，会指定字段名和类型。比如“输出 JSON，包含 title、summary、keywords 三个字段，keywords 是数组，最多五个元素”。它就会规规矩矩给你一段可以直接解析的 JSON。表格适合对比类任务，我常用来让模型整理竞品信息，列成“产品名、核心功能、定价、目标用户、优缺点”五列。Markdown 表格在对话里显示得清楚，复制出去也能直接用。
还有一种控制叫“反约束”，就是告诉模型不要做什么。我经常加“不要用列表”“不要分点”“不要出现‘总之’‘综上所述’”“不要用感叹号”。这些否定指令能挡掉很多模板化的表达。有段时间我特别烦模型每段结尾都来一句“希望这对你有帮助”，后来我在 Prompt 末尾加了一句“结尾不要加祝福语或总结句”，世界清净了。输出控制说到底就是把你脑子里的验收标准提前写出来，让模型替你执行第一轮筛选。
2.6 搜索词延展：ChatGPT Prompt 编写技巧、提示词优化方法
搜“ChatGPT Prompt 编写技巧”的人，我猜多半已经过了“这是什么”的阶段，手里有具体任务，想让结果再上一个台阶。他们想看的是可操作的动作：加角色、给例子、拆步骤、控格式。这些人不缺概念，缺的是“我照着做就能变好”的确定感。所以我在这章里尽量少讲原理，多讲我自己的做法和对比。你照着改一改自己的 Prompt，大概率能感觉到差别。
搜“提示词优化方法”的人，可能已经写了一阵子 Prompt，遇到瓶颈了。他们的问题往往不是“不知道技巧”，而是“不知道什么时候用哪个技巧”。角色设定什么时候加，例子给几个，链式思考要不要开，输出控制写到多细。我的经验是，别一次全上。先明确目标，再看任务复杂度决定要不要拆步骤，需要风格就给例子，需要特定格式就写清楚约束。技巧是积木，不是清单。你搭得多了，手感自然来。
这六个小节里的东西，单独拎出来都能用，合在一起威力更大。我平时写一条重要 Prompt，基本会过一遍：目标清不清楚、角色合不合适、要不要拆步、给不给例子、输出怎么控。五件事过完，敲出去，命中率比随手写好太多。下一章我会把这些技巧收进几个现成模板里，你拿过去改改关键词就能用。技巧是散的，模板是聚的，两样配合着来，效率最高。
聊完技巧，这章直接上模板。你大概有感觉了：Prompt 写得好不好，跟搭积木差不多，几个固定模块拼起来，再按任务换零件。我最常用的骨架就五个格子——角色、任务、背景、约束、输出格式。这五个填满，八成的日常需求都能接住。
角色决定视角，任务决定动作，背景决定分寸，约束决定边界，输出格式决定交付形态。我写重要 Prompt 之前，会把这五个词在大脑里过一遍，缺哪个补哪个。有次我让模型写产品介绍，写出来干巴巴的，检查后发现背景那一栏空着。补上“这款产品刚上线，主要卖给中小电商，他们最怕操作复杂”，文字立刻有了具体对象，不再是泛泛而谈。
给你看个填好的例子。角色：“你是一个有十年经验的 SaaS 招聘经理。”任务：“帮我写一份产品经理的招聘 JD。”背景：“公司是做 B 端工具的创业团队，三十人，需要一位能独立负责产品线的人。”约束：“三年以上经验，不要用‘狼性’‘抗压’‘扁平化管理’这些词，控制在五百字内。”输出格式：“Markdown，分岗位职责、任职要求、我们提供什么三部分。”这一条丢过去，拿回来的东西基本能直接发。模板不是死格式，顺序可以调，某些格子也能省。背景和约束最容易漏，偏偏这两个对结果影响最大。我现在的习惯是，宁可多写两句背景，也不让模型去猜。
3.2 写作类模板：文案、文章、润色、改写与扩展大纲
写作是我用得最多的场景，也是模板收益最明显的场景。文案、文章、润色、改写、扩展大纲，每一类都有固定的输入项。文案类我一般给这几样：产品是什么、卖给谁、核心卖点、参考风格、绝对不能出现的词、输出长度。比如“帮我写三条小红书文案，产品是家用咖啡机，目标用户是刚工作的租房年轻人，卖点是三分钟出咖啡、体积小、不用清洗。参考语气像朋友分享，别用‘绝绝子’‘YYDS’。每条一百字以内，带三个话题标签。”
文章类模板稍微不一样。我会写清楚主题、读者、核心观点、结构、字数、语气。结构那栏可以给得粗一点，比如“开头讲一个具体场景，中间分三块讲方法，结尾给一句行动建议”。模型拿到这种结构，不会写成流水账。润色和改写类，关键是把“改什么”和“保留什么”分开写。我常写：“保留原意和所有数据，把长句拆短，去掉重复的形容词，语气从正式改成轻松。改完给我两栏对比，左边原文，右边改后。”扩展大纲更简单，丢一个粗糙想法进去，让它扩成三级大纲，每节附一句话说明，我再挑着用。写作类模板最怕一句“帮我写好一点”，这句话对模型来说约等于没说。
3.3 学习类模板：解释、总结、出题与费曼学习
学习场景的 Prompt，重点不在生成漂亮文字，在帮我把一个东西吃透。解释类模板我会限定读者和深度。“用给高中生讲课的方式解释什么是机会成本，先给一个生活里的例子，再给正式定义，最后说一个常见的误解。”这种结构让模型没法糊弄，它必须把例子、定义、误解三层都撑起来。总结类模板我一般贴一段长材料，要求输出“一百字摘要、五个关键点、三个我可能没注意到的问题”。那个“三个问题”是我自己加的，效果很好，它逼模型从复述转向挖掘。
出题模板适合备考或者自测。“根据下面这段材料出五道选择题，难度从易到难，附答案和解析，解析要说明错误选项错在哪。”模型出题的水平参差不齐，有时候会出那种抠字眼的烂题，我会让它重出。费曼学习法的模板更有意思。我让模型扮演一个完全不懂这个领域的学生，我用大白话讲一遍，它负责提问和挑毛病。讲的过程中，哪些地方我卡住了，哪些地方我用了模糊的词，它一追问就露馅。这个模板我强烈建议你试试，比单纯让模型解释给你听，效果好得多。你讲一遍，等于逼自己把知识重新组装一遍。
3.4 工作类模板：会议纪要、邮件、方案与数据分析
工作类模板的共性是：输入往往很乱，输出要求很整。会议纪要就是典型。我把录音转写的原始文本丢进去，后面跟一句：“整理成会议纪要，分三块：已达成决议、待办事项、待讨论问题。待办事项要写负责人和截止时间。原文没提到的信息标注‘未提及’，不要自己编。”最后那句“不要自己编”很关键。早期我不写这句话，模型会贴心地帮我补上负责人，补得还挺像真的，差点出事。
邮件模板我会给收件人身份、目的、语气、必须包含的信息、长度。比如“写给客户的项目延期通知，语气诚恳但不卑微，说明延期原因、新时间、补偿方案，三百字以内，不要用‘深感抱歉’这种套话。”方案模板适合写项目计划或者活动策划。我给的骨架是：目标、背景、可选路径、推荐路径、风险、下一步。数据分析模板我会让模型先找异常再给建议。“下面是上个月的销售数据，帮我找三个异常波动、两个趋势、一个可执行建议，用表格呈现。”工作类模板里，我最常加的一句约束是“不确定的地方标出来，别猜”。这句话能挡掉很多看起来很专业的胡说八道。
3.5 创意类模板：头脑风暴、故事、脚本与命名
创意类模板跟前面几类反着来。前面要收，创意要放，但放也得有边界，不然模型会给你一堆正确的废话。头脑风暴模板我一般这么写：“围绕‘办公室解压’这个主题，给我二十个产品想法，分三组，第一组走实用路线，第二组走搞笑路线，第三组走离谱路线。先不管可行性，不许重复。”那个“离谱路线”是我故意留的槽位，往往能撞出几个能改造成正经方案的点子。完全正经的头脑风暴，出来全是市场调研报告的味道。
故事模板我给四样东西：主角、欲望、阻碍、转折。比如“主角是一个五十岁的便利店夜班店员，他想学会用短视频记录城市凌晨的样子，阻碍是他觉得自己年纪太大、不好意思出镜，转折是他偶然拍到一段环卫工跳舞的视频火了。写一个五百字的开头片段，第一人称，语气平静。”脚本模板适合短视频或者播客。我给时长、平台、目标、钩子、分镜要求。命名模板我用得也多，品牌名、产品名、文章标题都能套。“给一款面向程序员的笔记软件起十五个名字，调性冷静、有技术感，不要用‘云’‘智能’‘AI’这些词，每个名字附一句寓意。”创意类模板里，我很少写“要有创意”这种话。我给参考、给限制、给分组，创意的空间自然就出来了。
3.6 搜索词延展：ChatGPT Prompt 模板、万能提示词模板
搜“ChatGPT Prompt 模板”的人，我猜多半想找那种复制粘贴就能用的东西。他们可能正对着一个具体任务发愁，不想再看长篇原理，只想拿一个现成框架，改几个词就用。我写这一章的时候一直提醒自己，多给能直接抄的骨架，少讲虚的。上面那些模板，你完全可以存下来，改成自己的版本。搜“万能提示词模板”的人，心里可能相信存在一条打遍天下的 Prompt，或者正在找一套通用的起手式。我的真实感受是：没有真正的万能模板，只有可组合的模块。角色、任务、背景、约束、输出格式这五个格子，是最小通用集。你把它们背下来，遇到新任务先填一遍，已经能超过大部分人。
再往上走，就是按场景叠加专属模块。写作类加风格参考，学习类加读者设定和提问环节，工作类加“不许编造”和责任人字段，创意类加分组和意外槽位。我自己的模板库分三层：通用骨架、场景模板、个人片段。通用骨架就那五个格子；场景模板是今天写的这些；个人片段是我反复用的小句子，比如“不确定就标注”“结尾不要加祝福语”“给我三个版本，风格拉开差距”“先给结论再给理由”。三层分开存，用的时候像搭乐高一样拿。
模板能解决常规任务里八成的需求。剩下那两成，往往是任务本身复杂、上下文长、要求多、还互相打架。这种情况，单靠模板就不够了。下一章我会聊进阶策略：多轮对话怎么管上下文，怎么让模型自己检查自己，多角色协作怎么搭，结构化输出怎么玩得更细。模板是聚的，策略是活的。你先把这一章的模板用熟，有了手感，再去碰那些更复杂的东西，会顺很多。
模板用顺手之后，我碰到过一种情况。任务变长，要求变多，几个条件还互相打架。单条 Prompt 丢过去，模型给回来的东西看着像那么回事，细看全是漏洞。这时候需要的不再是模板，是策略。
4.1 上下文管理：多轮对话与信息分层
多轮对话里，模型记性没那么好。聊到第五轮，它可能忘了第一轮定的角色。我的做法是，把不变的信息固定下来，每轮重复。比如角色、总目标、输出格式，这三样我放在每次对话的开头。用【角色】【总目标】【格式】这样的标记隔开。模型看到标记，就知道哪些是长期设定。
信息分层我分三层。底层是背景和角色，中层是当前任务，顶层是这一轮的具体输入。底层不变，中层按阶段换，顶层每轮更新。写长文章的时候，我会在每节开始前，把总大纲和上一节摘要贴进去。模型不会跑偏。
上下文太长会超限。我定期让模型把前面内容压缩成要点。压缩后再继续。这个动作很管用。我试过不压缩，聊到后面模型开始胡言乱语。压缩完，它又清醒了。
4.2 自我校验：让模型检查、打分与修正
让模型自己检查，比我再检查一遍快。我常用的写法：先让它生成一版，后面跟一句“现在你是一个严格的评审，按准确性、相关性、可执行性三个维度打分，每个维度十分，指出扣分点”。它打完分，我再让它“根据扣分点重写一版”。两轮下来，质量提升明显。
模型自评容易手松。我会加一句“找出三个最弱的地方，不要客气”。它就会认真挑刺。有时候它挑出来的问题，我自己都没注意到。这个技巧在写方案、写代码、写长文时特别好用。
还有一种玩法是让模型扮演两个角色。一个写，一个评。评的那个先不看写的那个的自我评价，直接挑错。写完评完，再让写的那个根据评审意见改。我管这个叫“双人舞”。一个人容易陷入自己的思路，两个人互相拉扯，结果更稳。
4.3 约束与反约束：避免幻觉、跑题与模板化
约束是为了防跑题和防幻觉。我写约束的时候，会具体到可验证。比如“所有数据必须来自我提供的材料，材料里没有的写‘未提及’”。这句话挡住很多编造。还有“不要添加原文没有的案例”。模型很爱加案例，加得还挺像真的。不拦着，容易出事。
反约束用来破模板化。模型写多了，会有套路。写文案爱用“在这个快节奏的时代”，写总结爱用“综上所述”，写建议爱用“首先、其次、最后”。我把这些词列成黑名单，直接写进 Prompt：“禁止使用以下词汇：赋能、闭环、抓手、颗粒度、在这个快节奏的时代”。它就会换一种说法。
约束不能太死。约束太多，模型缩手缩脚，输出干瘪。我会留一两个反约束作为出口。比如“不要用列表，用自然段”“不要给建议，只描述事实”“换一个完全不同的结构”。反约束是给模型松绑，让它在框架里找到新路。
4.4 多角色协作：模拟专家小组与评审机制
复杂任务一个人想不全，我就让模型开个专家会。比如做一个产品方案，我让它扮演产品经理、工程师、设计师、目标用户四个角色。每个角色先独立发表意见，再互相提问。收尾让一个主持人总结共识和分歧。这样出来的方案，盲区少很多。
评审机制适合有明确标准的任务。我让模型先当作者，写一版。再当严格评审，按标准打分挑错。再当编辑，根据评审意见改。三个角色分开，不要混在一起。混在一起，模型会偷懒，评审和编辑变成走过场。
角色要具体。不要写“你是一个专家”，要写“你是一个有十年经验的后端工程师，关注性能和可维护性”。角色越具体，发言越有针对性。我还会要求每个角色先指出上一个角色的漏洞。这样讨论才有交锋，不是轮流说好话。
4.5 结构化输出：Markdown、表格、JSON与代码块
复杂任务的输出，结构比文字重要。Markdown 适合写文档，标题、列表、加粗，层次清楚。表格适合做对比，几个方案放一起，优缺点一目了然。JSON 适合给程序用，字段固定，方便解析。代码块适合贴代码或配置，指定语言后高亮显示。
要求 JSON 的时候，我会给一个 schema。比如“输出 JSON，包含 title 字符串、summary 字符串、tags 字符串数组、score 数字”。再补一句“只输出 JSON，不要加任何解释”。模型有时候会加一段“好的，这是您要的 JSON”，这会破坏解析。加上那句约束，它就老实了。
代码块我会指定语言和文件名。比如“用 Python 写一个函数，放在 `python 代码块里，函数名叫 parse_data”。这样复制出来就能用。结构化输出还有一个好处：方便我后续用脚本处理。比如让模型批量生成 JSON，我再写个脚本汇总。手工整理的时间全省了。
4.6 搜索词延展：高级 ChatGPT Prompt、Prompt Engineering
搜“高级 ChatGPT Prompt”的人，多半已经会写基本模板了。他们卡在复杂任务上。上下文太长、要求太多、模型开始胡编。这一章讲的策略，就是解决这类问题。上下文管理让模型记住该记的，自我校验让模型自己找错，约束和反约束控制方向，多角色协作补盲区，结构化输出方便落地。
搜“Prompt Engineering”的人，想要更系统的知识。这个领域从写清楚指令，发展到设计交互流程、评估输出、迭代优化。我的体会是，Prompt Engineering 不是背模板，是建立一套应对不同任务的方法库。每个方法解决一类问题。遇到新任务，从库里挑几个组合。
我自己的策略库分四类：记忆类、校验类、控制类、协作类。记忆类管上下文，校验类管质量，控制类管方向，协作类管复杂决策。每次遇到难搞的任务，我先想它属于哪一类，再从库里拿对应策略。这个习惯帮我省了很多试错时间。
策略是活的。同一个任务，可以只用上下文管理，也可以加上自我校验和多角色。组合越多，效果越好，成本也越高。找到平衡点，是进阶的标志。下一章我会把这些策略放进具体场景，看看它们在内容创作、编程、办公、学习、商业分析里怎么用。
策略讲了一堆，落不了地就是空谈。我自己也是踩过不少坑才明白，同样是写 Prompt，写代码和写文案完全是两码事。这一章我把过去一年常用的五个场景拆开，每个场景挑几个真实 Prompt 出来聊。
5.1 内容创作：选题、大纲、初稿与优化
写文章这事，我以前最头疼选题。后来学乖了，直接让 ChatGPT 当编辑。我的指令是：“你是一个科技公众号的主编，读者是对 AI 感兴趣但不懂技术的职场人。给我 10 个关于 ChatGPT Prompt 的选题，要求有具体场景、有冲突感、标题不超过 20 字。用表格输出，包含选题、核心冲突、目标读者。”它给回来的东西，有一半我直接毙掉，但剩下那一半里有三四个能用的。这个命中率比我对着白墙发呆高太多了。
大纲我从来不一次让它写完。步骤是这样的：先让它给三个不同结构的大纲方向，我挑一个；再让它把挑中的那个细化到二级标题；最后我手动调顺序。为什么不让它一次到位？因为它一次写完的大纲，逻辑是它的，不是我的。中间那几次挑挑拣拣，其实是我在把自己的想法塞进去。我试过偷懒让它全自动，出来的东西自己看着都陌生。
初稿阶段我喜欢加一句：“用第一人称写，每段不超过四句话，不要用‘首先其次最后’，不要用‘在这个快节奏的时代’。”这几个约束把 AI 味压下去不少。优化环节我一般让它自查：“找出三处最像 AI 写的地方，改写它们。”它挺会挑的，有时候指出的地方我自己都没觉得有问题。改完我再读一遍，顺一顺语气。
5.2 编程开发：需求分析、代码生成、调试与解释
写代码这块，我有个血泪教训。有一次我丢过去一句“帮我写个爬虫”，它给回来的代码跑不起来。后来我把 Prompt 改成：“我要爬取某网站的商品列表，页面结构是 XXX，需要处理翻页，翻页参数是 page。用 requests 和 BeautifulSoup。输出完整代码，加上注释。如果遇到反爬我会告诉你，你先按无反爬处理。”这次它给的代码，我只改了两行就跑通了。区别在哪？我把它当人，把上下文给够了。
调试是我用得最顺的场景。报错信息直接贴进去，前面加一句：“以下代码报了这个错，你分析原因，给出修改方案。先不要改代码，先告诉我哪里出了问题。”这个“先不要改代码”很重要。不加这句，它上来就给你一版新代码，改得对不对你不知道。加了这句，它会先诊断。诊断对了，再让它改，心里有底。有时候它诊断错了，我还能根据它的思路反推，自己找到问题。
解释代码这事我经常干。看别人写的开源项目，一段逻辑绕来绕去，我直接复制丢给 ChatGPT，说：“逐行解释这段代码在干什么，用大白话，不要用专业术语。假设我是刚学编程的人。”它解释完，我再看代码，通畅多了。这个用法我推荐给所有刚入门的人，比查文档快。
5.3 职场办公：汇报、邮件、PPT 与项目计划
周报这东西，我以前写得干巴巴。现在我的做法是，把一周的零散记录贴给 ChatGPT，指令是：“以下是我这周的工作记录。帮我整理成周报。格式：本周完成、下周计划、需要支持。语气专业但不官腔。每条控制在两行以内。不要编造我没写的内容，信息不够的地方留空让我补。”最后那句“不要编造”是保命符。它编起来真的看不出来，但汇报的时候领导一问就露馅。
邮件我分两类。对外邮件加一句：“语气正式，但不要用‘尊敬的’‘敬请谅解’这类套话，用简洁的商务语气。”对内邮件加一句：“语气轻松一点，像同事之间说话。该说的事说清楚，别绕弯子。”同一件事，两种语气，效果完全不同。我试过用对外邮件的 Prompt 写给同事，对方回了一句“你咋这么客气”，挺尴尬的。
PPT 大纲我用结构化输出。指令写：“为一个 15 分钟的汇报生成 PPT 大纲。输出 JSON 数组，每项包含 slide_title、key_points 数组、speaker_notes。总共 12 页。第一页是封面，最后一页是 Q&A。”它给回来的 JSON，我直接丢给做 PPT 的工具，或者手动搬。比对着空白 PPT 一页页想快多了。项目计划也是类似玩法，让它扮演项目经理，按里程碑、任务、负责人、风险四个字段输出表格。
5.4 学习研究：文献总结、知识梳理与问答训练
读论文我最怕长。现在的流程是：把摘要和引言贴进去，说：“用三句话总结这篇论文要解决什么问题、用了什么方法、结论是什么。不要用学术语言，像一个学长给学弟讲。”然后再把方法部分贴进去，说：“这部分用了哪些技术，每一步的目的是什么，用流程图的形式输出。”最后把结论贴进去，说：“这个结论有什么实际意义，有什么局限性。”分三次喂，比一次性丢整篇论文效果好。
知识梳理我让 ChatGPT 画知识树。指令：“我要学 Prompt Engineering。把这个领域的知识点整理成一棵树。一级节点是大的分类，二级节点是具体方法，三级节点是例子。用 Markdown 嵌套列表输出。”它给回来的树，我拿来做学习路线图。学完一个节点，让它出三道题考我。答错了让它解释哪里理解偏了。这个循环特别适合自学。
问答训练我用得最多的是费曼学习法。我跟它说：“接下来你扮演一个完全不懂 AI 的文科生。我会给你讲一个概念，你听完后提三个问题，问题要暴露我讲得模糊的地方。”讲完一轮，它的问题往往能戳中我没想清楚的点。我再针对那些点重新组织语言。讲三遍，这个概念基本就长在我脑子里了。
5.5 商业分析：用户洞察、竞品分析与策略建议
用户洞察我干过这样一件事。把某产品在应用商店的 200 条差评复制下来，贴给 ChatGPT，说：“以下是用户差评。帮我归类，找出出现频率最高的五个问题。每个问题给三个典型原话作为证据。输出表格，列：问题类别、出现次数、典型原话、可能的原因。”200 条评论我自己看要一个下午，它三分钟给结果。我拿着这个表去开会，同事问我怎么这么快，我说工具好。
竞品分析我让 ChatGPT 当分析师。先给它两家公司的官网文案和产品页面描述，然后说：“对比 A 和 B 两个产品。从目标用户、核心功能、定价策略、差异化卖点四个维度分析。输出表格，每个维度下面写一段话。数据只来自我提供的材料，材料里没有的写‘未提及’，不要自己编。”最后那句约束很关键。不加的话它会给你编一堆数据，看着专业，其实全是幻觉。
策略建议我一般用多角色协作。让 ChatGPT 分别扮演产品经理、市场负责人、目标用户，三个角色各自提三条建议。然后让它当主持人，找共识和分歧。共识的部分大概率是要做的，分歧的部分需要我判断。这个 Prompt 帮我省了很多拍脑袋的时间。有时候三个角色吵起来，我看到的是自己没考虑到的角度。
5.6 搜索词延展：ChatGPT Prompt 案例、提示词实战
搜“ChatGPT Prompt 案例”的人，想要的是能直接抄的作业。这一章给的每个场景，都可以拆成模板。内容创作那套“主编选题 + 迭代大纲 + 反 AI 味约束”，换个领域就能用。编程那套“给上下文 + 先诊断再改 + 大白话解释”，学新框架的时候特别好使。办公那套“记录转周报 + 语气分内外 + 结构化输出”，每周都能省半小时。
搜“提示词实战”的人，可能已经看了太多理论，想看点真的。我的建议是，别追求一步到位。同一个任务，今天写一版，明天改几个词，后天再加一个约束。我自己的 Prompt 就是改了十几版才稳定下来的。每次改完存一个版本，标注改了什么、效果怎么样。时间长了，你会有自己的 Prompt 库。
场景不一样，Prompt 的骨头是一样的：给足背景、说清任务、定死格式、加上约束。剩下的就是微调。微调靠手感，手感靠练。我刚开始写的时候，十个 Prompt 有八个效果不好。现在十個里有七八个能用。差别不是天赋，是喂给它的上下文够不够，要求够不够具体。这一章就到这，下一章聊聊怎么评估输出、怎么迭代、怎么别踩伦理的坑。
写了这么多 Prompt，我越来越觉得，写得好不算本事，能一直写得好才算。上一章讲的是单次战斗，这一章讲的是怎么把这件事变成一个能持续运转的系统。说白了，Prompt 不是写完就完了，它得评估、得迭代、得防坑，还得沉淀成自己的东西。
6.1 效果评估：准确度、相关性、可执行性与风格匹配
我刚开始用 ChatGPT 的时候，看到输出觉得“哇，好专业”，就直接用了。后来发现，专业感和正确性是两回事。有次我让它总结一份行业报告，它写得头头是道，我拿去跟原文一对，发现它把两个数据混在一起了。数字没错，但张冠李戴。从那以后我学会了一件事：看输出先看事实，再看其他的。
我现在评估一个 Prompt 的输出，会从四个角度过一遍。准确度，就是信息对不对，有没有编造。相关性，是它回答的是不是我真正问的那个问题，有时候它答得挺好，但跑偏了。可执行性，给出来的步骤或者代码能不能直接上手。风格匹配，说话的语气、用词是不是符合我的场景。这四个维度里，准确度是一票否决项，其他三个看情况。
有意思的是，这四个维度权重不一样。写代码的时候，准确度和可执行性最重要，风格无所谓。写文案的时候，风格匹配和相关性排在前面，准确度反而没那么苛刻。我自己做了个简单的打分表，每次输出打个 1 到 5 分，记录下来。时间长了，哪些 Prompt 稳定、哪些 Prompt 偶尔抽风，一目了然。
6.2 迭代方法：A/B 测试、版本记录与反馈循环
迭代这事我走过弯路。以前改 Prompt 全靠感觉，今天加一句，明天删一句，改完也不知道是变好了还是变坏了。后来我学了个笨办法：同一个任务，写两个版本的 Prompt，同时跑，对比输出。A 版加角色设定，B 版不加。或者 A 版要求表格输出，B 版要求列表输出。哪个好用留哪个。这个办法慢，但靠谱。
版本记录我是用飞书文档做的。每改一版 Prompt，就在文档里加一条记录：改了什么、为什么改、效果怎么样。刚开始我觉得这是形式主义，记了两周以后发现，真香。有次我把一个 Prompt 改来改去改废了，翻记录找到了两周前的版本，直接回滚。没这个记录，我得从头再试一遍。现在我每个常用 Prompt 都有至少五个版本躺在那。
反馈循环这件事，我把它分成两种。一种是自我反馈，就是让 ChatGPT 自己给自己打分。我会说：“给你刚才的输出打分，1 到 10 分，说明扣分的地方在哪。”它打的分不一定准，但扣分的理由经常能戳到我没注意的点。另一种是外部反馈，拿给别人看，问他们哪里没看懂、哪里觉得假。别人的眼睛比自己的好使。这两种反馈我都用，前者快，后者准。
6.3 安全与隐私：敏感信息、版权与合规边界
踩过最大的坑，就是往 ChatGPT 里贴了不该贴的东西。有一次我想让它帮我看一份合同，直接复制粘贴了全文，里面有客户的公司名、金额、还有一些条款细节。贴完我就后悔了。虽然事后没出什么事，但那个感觉很不舒服。从那以后我养成了一个习惯：敏感信息先脱敏。公司名换成“A 公司”，金额改成“XX 万”，人名用“张三李四”代替。脱敏花不了几分钟，但心里踏实。
版权这事也得说。我见过有人直接把 ChatGPT 生成的文章原封不动发出去，署自己的名。严格来说这里面有个灰色地带。我的做法是，AI 生成的内容当素材用，不当成品用。它给我一个框架、一个思路、一段可以参考的话，我在这个基础上重写，加入自己的观点和例子。写出来的东西，至少有我自己的痕迹。这样用起来不心虚。
合规边界我现在会多想一步。某些行业，比如医疗、法律、金融，AI 给的建议不能直接拿去用。我有个朋友做保险的，他让 ChatGPT 帮写产品说明，里面有句话涉及收益承诺，差点发出去。后来被合规部门拦下来了。这件事提醒我，AI 的输出在受监管的场景里，只能当草稿，必须有人过一遍。这个“人”得是懂行的人，不是我这种半吊子。
6.4 偏见与事实核查：识别错误、保持人类判断
偏见这个东西比较隐蔽。有次我让 ChatGPT 写一个“优秀员工”的画像，它写的全是“积极主动、善于沟通、有领导力”这类词。我看着觉得没问题，后来一个朋友提醒我，这些词在招聘里经常被用来筛掉女性和内向的人。我才意识到，AI 是从大量文本里学的，那些文本本身就带着社会偏见。它不会故意歧视，但它会把偏见当成“常态”输出。
事实核查我现在养成了一个条件反射。凡是从 ChatGPT 嘴里出来的数据、日期、人名、引用，我一律去搜一遍。不搜不放心。它编造的能力太强了，而且编得特别像真的。有一次它引用了一篇论文，标题、作者、期刊都对，我去搜，查无此文。它把几个真实的元素拼在一起，造了一个不存在的。从那以后，我默认它给的所有事实都需要验证，宁可多花五分钟，不可信错一个字。
人类判断这件事，我的理解是，AI 可以帮我做 80% 的活，但最后 20% 必须我自己来。那 20% 是什么？是判断这个输出能不能用、该不该用、用了会有什么后果。它不知道我的老板是什么脾气，不知道我的客户在意什么，不知道这个决策背后有哪些人情世故。这些只有我知道。把 AI 当副驾驶，别当自动驾驶。方向盘还是得握在自己手里。
6.5 个人 Prompt 库：分类、标签、模板沉淀与复用
我现在的 Prompt 库放在 Notion 里，大概存了六十多个。分类很简单：写作、编程、学习、办公、分析，五个大类。每个 Prompt 下面打几个标签，比如“高频”“长文”“需要迭代”。找的时候按标签筛，比翻文件夹快。这个库不是一次搭好的，是用着用着长出来的。每次写了一个好用的 Prompt，我就顺手存进去。最开始只有三个，现在六十多个。
模板沉淀有个小技巧：把变量抽出来。比如我一个写邮件的 Prompt，原来写死了“给张总写一封关于项目延期的邮件”。后来我改成“给我的[角色]写一封关于[主题]的邮件，语气[语气]”。方括号里的内容每次填。这样一个模板能覆盖几十种场景。我刚开始不懂这个，每个场景写一个 Prompt，库里一堆重复的。现在我的原则是，能参数化的都参数化，能不重复就不重复。
复用这事我做得比较狠。同一个 Prompt，我会在不同场景里试。写周报的 Prompt，我拿去写项目复盘，改两个词就行。出题的 Prompt，我拿去给团队做培训材料。好的 Prompt 有迁移性，骨架是一样的，换身衣服就能用。我库里的六十多个 Prompt，真正从头写的可能只有二十个，剩下都是改出来的。这让我省了很多重复劳动。
6.6 搜索词延展：ChatGPT Prompt 最佳实践、提示词管理
搜“ChatGPT Prompt 最佳实践”的人，可能已经看了很多技巧贴，但真正落地的没几个。我的经验是，最佳实践这东西，别人的不一定适合你。有人推荐长 Prompt，有人推荐短 Prompt，都对，看场景。我的做法是，先把基础动作做扎实：给背景、定角色、说格式、加约束。这四步做到位，输出质量能超过大部分人。剩下的花活，有余力再学。
搜“提示词管理”的人，可能遇到了跟我一样的问题：Prompt 越写越多，找不到了。我的建议是从第一天就开始记。不用搞复杂的系统，一个文档就行。每写一个 Prompt，记三样东西：它干什么用、效果怎么样、有什么坑。我现在回头看三个月前的记录，能看到自己的进步，也能看到哪些坑我踩了两次。记录这件事，费的是小时间，省的是大时间。
这一章聊的这些，说到底就一件事：把写 Prompt 当成一个长期的活来干。评估让它不跑偏，迭代让它变好，安全和伦理让它不惹事，库让它能积累。这套东西搭起来以后，你会发现写 Prompt 不再是一次次从零开始，而是一个越滚越大的雪球。我现在每天花在写 Prompt 上的时间，比三个月前少了一半，效果反而好了。这就是系统的力量。