#1. 提示词原则

#明确具体

提示中应清楚说明目标、约束条件、期望的篇幅与深度、语气以及需要回避的内容。模糊的提示会迫使模型自行揣测意图，既浪费 token，也难以得到理想结果。提问越精确，模型越能将算力集中在真正重要的部分，而非在猜测意图上消耗。

需要明确的维度通常包括：要完成什么（任务本身）、给谁看（目标受众）、想要多详细（深度与篇幅）、以什么形式呈现（输出格式）、以及哪些内容不要出现（排除项）。

面向有技术背景但非物理专业的软件工程师，解释量子计算的现状与近期前景，
重点说明：①经典比特与量子比特的区别（配一个简单类比）；
②目前最成熟的三个应用方向；③主要技术障碍及预计突破时间。
篇幅控制在 800 字以内。

#提供上下文

补充相关背景、领域知识或此前的对话内容，有助于减少幻觉，并使输出贴合实际场景。模型无法读心，缺失的关键信息越多，回答偏离预期的概率越大。

涉及特定材料时，应将参考资料、数据或代码直接附在提示中，而非依赖模型凭记忆作答。例如在请求修改文案时附上原文，在请求分析时附上具体数据，在请求续写时附上前文。提供的上下文越贴近真实场景，输出的可用性越高。

以下是某产品上季度的销售数据：[粘贴数据]。
该产品主要面向一线城市的年轻女性群体，定价偏中高端。
请基于这些数据分析销量波动的可能原因，并指出三个值得关注的趋势。

#设定角色

为模型指定一个专业身份，能引导其调用相应领域的知识、术语与表达方式。例如「资深财务顾问」「儿科医生」「技术文档作者」等角色设定，会让回答在专业度、措辞和侧重点上更贴合需求。角色设定尤其适用于需要特定专业视角或固定表达风格的场景。

扮演一位资深儿科医生，用通俗易懂的语言向新手父母解释：
婴儿出现低烧时，哪些情况可以居家观察，哪些情况需要立即就医。

#给出示例

当对输出格式或风格有明确要求时，提供一两个范例（few-shot）比单纯的文字描述更有效。示例能直观传达期望的结构、措辞与详略程度，模型会据此对齐输出。

实践中可遵循「先零样本、后少样本」的顺序：先不带示例直接提问（zero-shot），若输出不达预期，再补充范例引导。对于格式严格的任务（如固定字段的表格、统一句式的列表），示例往往比描述更省力也更准确。

请将下列产品卖点改写为简短的广告语，风格参考示例。
示例：续航持久 → 一次充电，畅用三天
输入：防水性能强 →

#拆解复杂任务

面对包含多个环节的复杂需求，将其拆分为清晰的步骤，比塞进一段冗长的提示更有效。可以在提示中用编号列出步骤，引导模型按顺序处理；也可以分多轮对话推进，每轮聚焦一个子任务。任务颗粒度越小，模型出错的概率越低，结果也越可控。

请分三步完成：
①阅读以下会议纪要并提炼出所有待办事项；
②按负责人将待办事项分类；
③为每项待办标注优先级（高/中/低）。

#迭代优化

首轮先用简洁的提示测试模型的反应，再根据结果逐步细化，而非一开始就追求"完美提示"。多数情况下，经过两三轮针对性修正所得的结果，优于在单条提示上反复斟酌。

迭代时应针对首轮输出中不满意的具体部分提出修正，例如指出回答过于宽泛、遗漏了某个角度、或格式不符要求，而非笼统地要求"重写"。把每一次输出当作可改进的草稿，逐步逼近目标。

上一条回答过于宽泛。请聚焦机器学习在图像识别中的作用，
面向初学者，并配一个具体例子。

#约束输出格式

明确指定输出的组织形式，能大幅提升结果的可用性。常见的格式约束包括：分点列出、生成表格、限定字数、按指定章节组织、仅输出代码不加解释等。格式要求越具体，越无需事后手动整理。对于需要直接复用的内容（如报告、清单、配置），在提示中预先规定好结构尤为重要。

对比三款主流笔记软件的优劣，以表格形式输出，
列包含：名称、核心优势、主要不足、适合人群。
仅输出表格，无需额外说明。