什么是Prompt(提示词)? Prompt写得好，AI回答差不了

用大模型时间长了，发现一个规律：同一个问题，换个问法，答案能差出十万八千里。有时候一句话就给你想要的，有时候问半天还是答非所问。关键就在 Prompt（提示词）。

Prompt 是什么

Prompt 就是你输给模型的所有东西——问题、指令、背景信息、例子，连你怎么要求输出格式都算。

模型收到 Prompt，就开始猜你要什么，然后生成回答。

可以把大模型想成一个啥都懂的人，你说的每句话就是给他的「简报」。简报越清楚，他给的答案越准；简报糊里糊涂，他就只能瞎猜，结果自然跑偏。

Prompt 分三种

平时用模型，不只是你发那一句话。一次完整的对话，其实是三种角色的话凑起来的。

System Prompt（系统提示词）

对话开始前，开发或平台先塞给模型的指令。用户一般看不到，但它是整个对话的「后台规则」——定好模型是什么人、能干什么、怎么说话。

比如你打开某个电商客服，背后可能是这么一段：

你是「小智」，某电商平台售后助手。只回答订单、退款、物流的问题。
遇到无关的，礼貌地让用户找人工客服。语气亲切，别超过100字。

就是这段你看不见的话，决定了这个客服只谈售后、不聊别的。

System Prompt 不只在产品里。像 Claude Code 这类开发工具，项目根目录的 CLAUDE.md 文件就干这事——你在里面写的规则（比如「都用中文回」、「提交前先跑测试」），每次对话开头自动塞给模型，让它一直守着。

再往大了说，Agent（智能体） 的起点也是一段 System Prompt。通常会告诉模型「你能用哪些工具」、「遇到情况怎么选」，再配合工具调用和循环决策，让模型自己拆任务、一步步干完。

User Prompt（用户提示词）

你每次发的话，就是 User Prompt。这是最常见的，也是这篇文章主要说的。

我的订单昨天显示发了，但今天物流没动，怎么办？

Assistant Prompt（助手消息）

模型每次回的话，也会记下来，下次对话时一起传给模型。

可以这么理解：模型每次回答问题，看到的不是「当前这一句」，而是从头开始的完整聊天记录。就像你和人聊天，他能记住前面说的每句话，所以你说「刚才那个方案」他知道是哪个，你说「帮我改改」他也知道改什么。

这也解释了为什么聊得越久，模型越「懂你」——因为它攒的上下文越来越多。但反过来，聊太长超出 Token 上限，前面的就会被忘掉，模型开始「失忆」。

有时开发还会自己造一段假的助手消息，提前填上想要的开头，逼着模型按这格式往下写。这招叫 Prompt Prefilling（预填充）。比如填上「分析结果如下：\n1.」之后，模型多半会顺着这个格式写，不会另起炉灶。

三种放一起，一次对话大概长这样：

[System]    你是个代码审查助手，只列问题，不给改法。
[User]      帮我看看这段 Python：def add(a, b): return a+b
[Assistant] 1.缺类型注解 ...    ← 上次回的，也算上下文
[User]      这些问题里哪个最要紧？ ← 新发的

弄懂这个结构，用 api 做应用时很重要，因为你要自己拼这三种消息传给模型。

怎么写好 Prompt：核心要素

知道 Prompt 是什么、分几种，接下来最关键——怎么写好它。

一个好 Prompt，通常包含这几样（不是全要，看任务复杂程度）：

下面用几个例子，看看这些要素怎么用。

例子一：任务 + 背景 + 约束

同一个事，糊弄着写和清清楚楚写，差距有多大。

场景：写请假邮件。

糊弄的写法：

帮我写封请假邮件。

模型回的：

尊敬的领导：
    您好！我因个人原因，申请请一天假，请批准。
此致
敬礼
XXX

空话一堆，没具体信息，根本没法用。

加上任务细节、背景和约束：

帮我写封请假邮件。

背景：我是软件开发工程师，要向直属主管请假。
原因：3月10日陪父母去医院体检，预计全天。
要求：语气正式但不生硬，结尾说清楚会提前安排好工作交接。别超150字。

模型回的：

王经理，您好：
    因陪父母于3月10日（周二）去医院做年度体检，预计全天无法到岗，
    特申请请假一天，请您审批。
    我会提前和同事交接好工作，保证当天任务不受影响，请您放心。
谢谢！
XXX

同一个模型，回答质量天差地别，区别只在 Prompt 写法。

例子二：角色

给模型定个角色，能让回答更贴你的受众。

不定角色：

帮我解释下递归。

回的：

递归（Recursion）指函数在其定义里直接或间接调用自己的编程技术。
递归函数通常有两部分：基本情况（Base Case）和递归情况（Recursive Case）。
基本情况是不再调用自己的终止条件，递归情况是调用自己解决更小的子问题。

教科书式的解释，有术语有结构，但没学过编程的人听不懂。

加上角色：

你是大学计算机导论课老师，给完全没编程基础的大一新生讲课。
用生活例子解释「递归」，别写代码，控制在100字以内。

回的：

递归就像照镜子。
你站在两面正对的镜子中间，镜子里的你还在照镜子，镜子里的镜子里的你又在照镜子……
这个「自己里还有自己」的结构，就是递归的本质。
编程里，一个函数调用自己解决更小的子问题，直到碰到最简单的情况。

同样解释递归，有了角色，解释更贴听众，质量明显好。

例子三：示例（Few-shot）

如果你有特定输出格式要求，直接给例子最管用。这招叫 Few-shot Prompting（少样本提示）。

把下面句子的情绪分成「正面」、「负面」或「中性」，再给简短理由。

示例：
句子：这家餐厅的菜真的太好吃了！
分类：正面
理由：表达了对食物的强烈满意。

句子：今天天气不错。
分类：中性
理由：陈述事实，没明显情绪。

现在分类这句：
句子：等了半小时没上菜，服务态度也很差。

回的：

分类：负面
理由：描述了等得久和服务差的不满，情绪明显消极。

给两个例子，模型立刻明白你要的输出格式和分析方式，结果特别准。

例子四：思维链（Chain of Thought）

除了给例子，还有个很实用的技巧叫 Chain of Thought（思维链）——引导模型一步步推，而不是直接给答案。在数学、逻辑题上效果特别明显。

直接问：

一个书店周一卖了15本书，周二卖的是周一的2倍，周三卖的比周二少8本。三天一共卖了多少？

回的：

一共卖了52本。

答案对，但如果问题再难点，模型跳步就容易错。

加上思维链引导：

一个书店周一卖了15本书，周二卖的是周一的2倍，周三卖的比周二少8本。三天一共卖了多少？

请一步步推，最后给答案。

回的：

1. 周一卖了15本
2. 周二卖的是周一的2倍：15 × 2 = 30本
3. 周三卖的比周二少8本：30 - 8 = 22本
4. 三天合计：15 + 30 + 22 = 67本

答案：三天一共卖了67本。

就加一句「请一步步推」，模型就会展开中间过程，推理准头大幅提升。这招的本质是：让模型把「想的过程」写出来，而不是闷头算——写出来的过程本身就成了后面的上下文，帮它保持逻辑连贯。

常见的 Prompt 错误

平时用，有几类写法容易踩坑：

太宽泛，没约束

给我写段代码。

什么语言？什么功能？多长？模型只能猜。改成「用 Python 写个读 CSV 文件并按第二列排序的脚本」，结果好得多。

多个任务混一起

帮我写首诗，再分析下这段代码，顺便推荐几本书。

模型在多任务间来回跳，每个质量都下降。一次只让模型干一件事，效果好。

以为模型能读心

你懂的，就那种风格。

模型没上下文，「那种风格」对它来说是空的。要说清楚，是「简洁的技术文档风格」还是「轻松的科普文章风格」。

给了太多废话

我今天8点起床，吃了个三明治，坐地铁去公司，路上看了会儿新闻。
到公司开电脑，发现昨天写的代码有个bug。帮我看看怎么修。

前面一大段都是噪声，模型得从里挑有用信息，反而容易分心。直接给代码和错误现象就够了。

总结

Prompt 是你和大模型说话的方式，写好 Prompt 是用好模型最核心的本事：

• 给角色：让模型知道从谁的角度回

• 说清任务：要干什么，别含糊

• 给背景：上下文越全，答案越准

• 加约束：限好格式、长度、风格

• 举例子：Few-shot 是引导格式最直接的办法

• 让推理：Chain of Thought 让模型一步步想，复杂问题更准

模型本事就那么大，但 Prompt 决定了你能使出来多少。同一个模型，写好的 Prompt 能让它发挥出远超你想的效果。

本文内容仅供个人学习/研究/参考使用，不构成任何决策建议或专业指导。分享/转载时请标明原文来源，同时请勿将内容用于商业售卖、虚假宣传等非学习用途哦～感谢您的理解与支持！

链接: https://fly63.com/course/38_2292