ChatGPT中的提示工程Prompt怎么做?DAIR.

提示工程到底怎么玩？我替你踩了三个月坑，才敢写出这篇掏心窝子的指南

三个月前，我站在提示工程的门槛上，跟你现在一模一样。

觉得写prompt就是念咒语，句子漂亮了AI就能乖乖出活儿。结果呢？输出时好时坏，有时候惊艳到我拍桌子，有时候AI像是故意跟我装傻——我说东，它回西，能把人气笑。

直到我把DAIR.AI的《提示工程指南》翻了个底朝天，再一头扎进实操的泥潭里滚了几轮，才算真正摸到了门道。

今天这篇不整虚的，直接回答你最关心的问题。坐稳了，咱们开始。

提示工程的核心到底是什么？

你猜怎么着？很多人把提示工程吹得神乎其乎，好像背几个模板就能变大神。

真不是这回事。

说到这儿，我给你讲个最简单的道理。

你看，如果一个人跟你说“帮我处理一下这个”，你是不是也会懵？谁啊？处理什么？什么格式？多着急？

AI也一样。它脑子里装了海量文本，但你指望它猜你的心思？不可能的。

我踩的第一个坑，就是写“解释人工智能”这种提示。

ChatGPT给我回了篇教科书级的概述，几百字洋洋洒洒，我读完后血压都上来了——不是我想要的啊！我想要一段给客户的通俗解释，结果那回复比我当年写论文还难懂。

后来我把提示改成这样：

“用普通白领能听懂的话，解释人工智能的三个核心概念，每个概念配一个生活例子，控制在300字以内。”

你猜怎么着？一次就过了。

所以核心就一条：把任务、背景和要求说清楚，比什么都管用。

什么花哨的模板、复杂的技巧，都比不上你把内心的话说清楚。

我写prompt老是翻车？来，我给你数数我踩过的坑

拿我自己犯过的错给你列几个。你看到哪个会直拍大腿？我赌你至少中两个。

坑1：提示词又空又大

“写一封邀请函”——这种提示我一开始特别爱用，觉得简洁就是美。

结果呢？AI写出来的全是“尊敬的先生/女士，我们诚挚邀请您参加……”一堆废话，关键信息一个没有。连谁办的、什么活动、具体时间、地址在哪都不知道。

后来我改成这样：

“写一封邀请客户参加产品发布会的邮件，时间2024年6月10日下午2点，地点北京国家会议中心3层，主要内容是发布新产品‘智能分析平台2.0’，语气正式但不刻板，长度不超过150字，结尾附上报名链接。”

效果天差地别。你看，就是这样。

坑2：光说“不要什么”，不说“要什么”

有次我需要AI写一篇科技评论，加了一句“不要写关于政治的内容”。结果呢？它完全绕开了这个主题，写出来的东西四平八稳，任何敏感话题都不碰，像是一篇被领导审查过的稿子。

我后来改成“请以中立、客观的角度讨论科技发展对教育的改变”。啊，这就把它引到具体方向了。

你想想，你跟人说“别往东走”，对方是不是得停下来想半天到底往哪走？

坑3：指令自相矛盾

这个坑是我亲自踩的，说出来都脸红。

“写一段简洁的详细介绍。”——你品，你细品。

AI直接短路了：到底要简洁还是详细？我这不是为难人吗？

后来我明白了：如果有冲突，必须明确优先级。比如“控制在100字以内，但要把核心功能说清楚”，或者“重点突出三个卖点，其余可以忽略”。

坑4：觉得信息很“明显”，就没写

有一次我让AI安排一周工作计划，说“周一到周五每天安排2小时学习”。

我以为它知道“9点到18点是工作日”——正常人都会这么想吧？

结果AI把学习排到了晚上22点到24点。大半夜学习？我当场就笑了。

我当时要的是“在正常工作时间内安排学习”。教训很直接：你觉得人不用说也能懂的东西，AI可能真不知道。

把那些隐藏的假设都写出来，写到明面上。

有没有一套系统的学习方法？必须有！

这是我花时间最多的部分。试过自己瞎琢磨，也买过付费课，最后发现：最好的资源，最毒的灵药，其实是免费的。

首推DAIR.AI的《提示工程指南》，GitHub上已经超过5万颗星了。

你想想，超过5万颗星什么概念？全世界超过5万个程序员给这个项目点了赞。

它不像很多教程只教几个模板，而是从基础概念讲到高级技术——少样本、思维链、思维树、自我一致性——每个技术都有例子和代码，还配有PDF和教学视频。

我通读一遍后，写prompt的思路完全变了。以前处理复杂问题，都是一个大prompt砸过去，像扔炸弹一样。现在？会拆成几步，用链式提示一步一步来。

其他几个我实测过的好资源，说给你听听。

• **吴恩达和OpenAI合作的《ChatGPT Prompt Engineering for Developers》**：免费课程，约1.5小时，适合入门。我周末看了两遍，里面“迭代式prompt开发”那节，彻底改掉了我“一锤子买卖”的坏习惯。看完我才知道，原来写prompt是写着写着才变好的，不是一蹴而就的。

• **Anthropic的Claude专属指南**：虽然针对不同模型，但里面关于“角色扮演”和“情感化对话”的警告很有价值。我在DeepSeek上试过，给AI加太多情感描述反而降低了它思考的深度。**情感不是你想象的万能药。**

• **Learn Prompting网站**：有系统的学习路径，从基础到高级都有。如果你喜欢一步步来的感觉，这个很适合你。

这么多资源里，我最推荐你先看DAIR.AI的指南，然后边看边练。光看不练，三个月后你会发现自己还在原地。

我是不是要学写代码才能用好提示工程？

不一定。但会写代码，效率翻倍。

如果你只用ChatGPT网页版对话，提示工程主要就是优化你写的输入，你不需要懂代码。

但如果你想做出产品，或者批量处理任务，用代码调用API加迭代优化prompt，就是必由之路。

跟你说说我用的最简代码。这是我用Python调通大模型API的模板（以阿里百炼的兼容接口为例）：

from openai import OpenAI

client = OpenAI(
 api_key="你的API_KEY", 
 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

def ask(prompt, system="你是乐于助人的AI助手", temperature=0.7):
 resp = client.chat.completions.create(
 model="qwen-plus",
 messages=[
 {"role": "system", "content": system},
 {"role": "user", "content": prompt},
 ],
 temperature=temperature,
 )
 return resp.choices[0].message.content

有了这套代码，我就能写一堆prompt模板，循环测不同版本，哪个好用就定哪个。

我常用的模式是这样的：

1. 先写一个初版prompt

2. 跑10次，看看结果稳不稳定

3. 根据输出质量调整措辞或结构

4. 再跑，对比

这个循环就是PDCA：Plan（设计prompt）→ Do（调用API）→ Check（评估输出）→ Act（调整prompt）。

现在每个重要的prompt，我至少迭代3轮以上，才敢放到正式场景里用。

你想想，你写一篇文章都要改三遍，prompt凭什么一稿过？

另外，结构化提示词框架我也试过几个，比如CRISPE、TAGO。实际用下来，觉得框架不用硬套，但要有结构。

我会用Markdown在prompt里分段写：背景、目标、输出要求、示例。清晰、明了、方便维护。就像写会议纪要一样，谁看了都懂。

提示工程、RAG和微调，这三兄弟到底什么关系？

这个问题，是我深入之后才搞明白的。很多新手在这儿浪费了不少时间。

简单说，我给你排个序：

提示工程：改输入，不改模型。最轻量，见效快。哪个AI产品都能用。

RAG（检索增强生成）：给模型喂外部知识库，回答时有据可查。适合做知识库问答、政策解释这类场景。我做一个公司内部FAQ聊天机器人时，就是靠提示工程加上检索投诉案例库搞定的，效果比纯提示好一大截。

微调：改模型权重。代价最大，适合提示工程和RAG都搞不定的“认知能力”问题——比如模型总是把中等优先级误判为高优，那你可能要用少量badcase做微调。

再给你一个实际例子。假设我要让模型识别投诉紧急程度并自动分发给对应部门。

方案一：纯提示工程

写清楚分类规则和输出格式。效果快，零成本。但遇到隐晦投诉容易误判，比如“我等了三天了”——没明说投诉，但应该是高优。这种微小信号，纯提示不好抓。

方案二：提示工程 + RAG

检索历史投诉库，找到相似case和对应处理方式，供模型参考。效果明显提升，因为模型不是凭空判断，而是有据可依。

方案三：微调

用上千条标注数据微调模型。问题是业务规则一变，就得重新收集数据重新微调，迭代成本很高。

我后来的判断标准是：RAG兜底知识，提示词约束行为，微调只用在RAG解决不了的地方。

别一上来就想微调。那是最后的武器，不是第一选择。

最后，补几个你可能没想到的问题

这几个问题是我实战中吃了亏才知道的。分享给你，让你少走弯路。

1. Token限制要考虑

我一开始写prompt不控制长度。有一次写了3000多个token，结果模型直接截断了我后面的关键指令。你说气不气？关键指令全没了，只留下前面的废话。

现在我会把prompt尽量压缩：背景信息放前面，核心指令放最前面，示例放后面。如果实在躲不开，就用链式提示分步走。

2. 不同模型对prompt的敏感度不同

同一个prompt在GPT-4上效果爆棚，换个开源模型可能就翻了。

我试过用DeepSeek跑一个带角色扮演的提示，它答得特别燥，像是个青春期的小孩在闹脾气。去掉角色描述后，反而回答得更讲逻辑，像换了个AI。

所以如果你切换模型，记得重新调一下prompt。没有万能的prompt，只有不断调整的你。

3. 别花大量时间死磕一个词

我早期干过这种蠢事——为了一个词的措辞反复调整，改了几十次，结果输出质量就提升了不到2%。

后来我明白了：结构和逻辑比华丽措辞重要得多。把任务拆成几个步骤、加上几个示例、明确输出格式，效果能提升十几个百分点。

别掉进过度优化的陷阱里。为芝麻丢西瓜的事，聪明人不干。

4. 评估比写prompt更重要

很多团队只做生成不做评估，结果一样的问题反复出现。就像你每次做菜都不尝味道，那能好吃吗？

最轻量的闭环是：把线上badcase人工审核后，写进prompt的few-shot示例里。再进一步，更新到RAG的知识库。最后才考虑微调。

没有评估的优化，都是瞎忙活。

三个月下来，我最大的感触是：提示工程不是什么神秘技术，它更像一种结构化沟通能力。

你会跟人提需求，就会写prompt。只不过AI没有常识和耐心，所以你需要比跟人沟通时说得更清楚、更完整。

你看，这不是什么火箭科学。它就是一个让你变得更清晰、更会沟通的过程。

如果你也想系统学，我的建议是：先刷一遍DAIR.AI的指南，然后打开你手头的AI工具，挑一个你真实会做的事情，从头到尾写prompt、迭代、记录、对比。

用不了几次，你就能摸到门道。到时候你回过头来看，会觉得这是你2024年最值的投入。

最后送你一句我在指南里看到的话：

**“Prompt is not a magic spell. It's a conversation you design.”**

提示不是咒语，是你设计的对话。

希望你的下一段对话，不让我的这些心得白说。

因为最好的结果，从来都不是AI的奇迹，而是清晰的你。