#1. 官方提示词指南

#清晰具体的指令

提示词的核心要求是清晰、具体、无歧义。模糊的指令会让模型只能给出宽泛、表面化的回答，而精准的描述则能引导模型聚焦关键诉求。

模糊写法：

帮我写一条微博，推广公司的新手机。

清晰写法：

为「Zephyr Z9」轻薄便携手机撰写一条微博推广文案。
文案需突出轻薄设计、高性能配置与用户便利性，融入创意元素以激发互动，
结尾引导读者点击购买链接。语言简洁有力，符合微博传播风格，控制在500字以内。

后者明确了主体、卖点、目标、风格与字数，模型据此可生成针对性更强、可直接投放使用的成稿。

#结构化提示词框架

对于较复杂的任务，建议采用结构化框架编写提示词，覆盖任务的各个关键维度。一个通用框架包含以下六要素：

• 背景：交代任务相关的上下文信息，帮助模型理解所处场景。
• 目的：明确希望模型完成的具体任务，给出清晰的目标指令。
• 风格：指定输出的写作风格，可参考特定人物、流派或专家风格。
• 语气：定义输出的语气基调，如正式、诙谐、温馨、专业等。
• 受众：说明内容面向的读者群体，便于调整语言深度与表达方式。
• 输出：规定输出形式，如列表、表格、JSON、报告等。

示例：

#背景#
我司「Zephyr Z9」是一款轻薄便携的智能手机，即将上市，需要在微博进行推广。

#目的#
撰写一条微博推广帖（500字以内），吸引用户点击产品链接进行购买。

#风格#
参考成熟数码品牌的产品发布文案风格，富有质感与画面感。

#语气#
有说服力、具感染力。

#受众#
微博上的年轻数码爱好者群体。

#输出#
一条结构紧凑、信息密度高的微博推广帖。

相比无结构的写法，框架式提示词能显著提升输出的针对性与表达张力。

#提供输出样例

在提示词中附带期望的输出范例，可让模型「模仿」既定的格式、句式、语气与结构，从而稳定输出质量、提升多次生成的一致性。该方法尤其适用于带固定模板的内容创作（如小红书笔记、产品文案、邮件模板等）。

示例：

#目的#
撰写一篇小红书种草笔记，推广XX吹风机。

#输出格式参考#
1. 亲测体验 + 适用人群 + 收益点
   例：亲测多款美白产品，终于挖到宝！仅用两月，肌肤显著提亮……

2. 问题场景 + 原因揭秘 + 解决方案
   例：想要发丝顺滑？揭秘关键一步：一直被忽略的护发步骤……

3. 个人观点 + 深度分析 + 自然推荐
   例：每个女孩都该拥有一份属于自己的小确幸……

模型会依据样例的结构与语感生成高度贴合的内容。

#拆解任务步骤

对于多步骤、有明确推理路径的复杂任务，主动为模型「拆解步骤」可显著提升准确率。该方法常用于数学计算、逻辑推理、数据分析等场景。

示例：

#背景#
小明早上8:00出发步行去爷爷家，速度为每分钟50米。
12分钟后，父亲骑车追赶，速度为每分钟200米。
追上后父亲载小明骑车前往，自行车路程是步行路程的5倍。

#目的#
计算小明几点到达爷爷家。

#任务步骤#
1. 先计算父亲追上小明时的耗时与小明已走距离。
2. 再计算骑车段的距离与所需时间。
3. 最后汇总总耗时，得出到达时间。

通过显式给出推理路径，模型会按步骤逐一推导，得出正确结论。

#使用分隔符

当提示词中包含多段背景、多个要求或大段引用内容时，建议使用分隔符明确划分，帮助模型准确识别各内容块的边界。

常用分隔符包括 ###、===、>>>、""" 等，选用在自然语言中不常出现的字符组合，辨识度更高。

示例：

请简短总结以下三段影评。

###
张志强中年遭遇生活变故，从家人的骄傲跌落为社会边角料。
###
重压之下，他选择成为一名快递员，从零开始重建生活。
###
在与同行的相处中，他逐渐找回勇气与信念，定义新的人生方向。
###

模型会清晰识别三段内容的边界，并分别生成对应总结，而非将其混为一谈。

#引导模型推理

对于逻辑复杂、需要推理的任务，可通过两种方法引导模型展开思考过程，从而提升回答质量。

思维链（Chain of Thought）： 在提示词中要求模型「先输出思考过程，再给出结论」，通过显式推理提升准确率。

示例：

#输出#
请先逐条分析判断过程，再给出最终结论：
若全部符合要求，输出「符合要求」；否则输出「不符合要求」。

提示链（Prompt Chaining）： 将复杂任务拆解为多轮对话，引导模型按既定路径逐步深入思考，每轮仅处理一个子问题。该方法适合逻辑链条较长、可按固定模式拆解的任务，准确率高于单轮思维链。

示例（分三轮提问）：

第一轮：计算小明被父亲追上时的耗时与已走距离。
第二轮：计算骑车段还需多长距离与多少时间。
第三轮：汇总得出小明到达爷爷家的时间。

#迭代与优化

撰写高质量提示词是一个实验性、迭代式的过程，很少能一次成型。建议遵循以下流程持续优化：

• 初稿编写：依照框架快速搭建提示词雏形。
• 测试输出：观察模型回答，定位偏离预期的环节。
• 诊断调整：判断问题源于背景缺失、目标模糊、格式未约定还是推理路径不清，针对性补充或重构。
• 反复验证：多次生成，观察输出稳定性，确认提示词的鲁棒性。

此外，在实际应用中持续收集真实使用反馈并据此调整，是让提示词长期保持高效的关键。