提示词怎么写？四要素三技巧三个坑一次讲透

同样的AI，为什么别人用得比你好？

同样是用 DeepSeek、豆包这些 AI 工具，有的人用出来的结果又准又好，有的人却觉得 AI 啥也干不好，问啥都答不到点子上。差距在哪？大多数时候，就差在你怎么跟它说话——也就是提示词（Prompt）怎么写。

提示词就是你给 AI 下指令的方式，你怎么说直接决定了它怎么做。这背后的原因与大语言模型的工作原理密切相关——像 DeepSeek、豆包背后的大模型，本质上是在海量文本数据上训练出来的概率预测系统，给定前面的文字，它会预测下一个最可能出现的词。你输入的提示词就是这个预测过程的"起点"，起点不同，模型沿着概率空间走出的路径就完全不同。这就解释了为什么同一个模型，不同的提示词会产出天差地别的结果。提示词工程（Prompt Engineering）已经成为一个专门的技术方向，OpenAI、Google DeepMind 等机构都发布过系统性的最佳实践指南。

B站UP主麦东用一期视频把提示词的核心方法论讲得非常透彻：四要素 + 三技巧 + 三个坑，本文将其系统整理，帮你快速掌握与 AI 高效沟通的方法。

提示词四要素：像给实习生派活一样说清楚

想象一下你要给一个刚来的实习生派活，你肯定不会只甩一句"去把那个搞一下"。你得告诉他做什么事、有什么具体要求、做完给你什么样的东西。跟 AI 写提示词道理完全一样——一条好的提示词基本包含四块内容：角色、任务、要求、格式。

要素一：角色——告诉AI它是谁

先告诉 AI 它现在在扮演谁。比如"你是一个有十年经验的小学语文老师"。

不要小看这一句话，加了角色之后 AI 回答的深浅、语气、用词立马就不一样了。让语文老师帮你改作文和让程序员帮你改作文，出来的东西完全是两码事。

角色设定之所以有效，是因为大语言模型在训练时接触了互联网上海量的不同身份、不同场景下的文本。当你说"你是一个有十年经验的小学语文老师"时，模型会激活与教育领域、语文教学、儿童认知水平相关的知识分布，后续生成的内容会自动向这个方向倾斜。这在技术上被称为"条件生成"——角色描述充当了一个强力的条件约束，帮助模型从它庞大的参数空间中筛选出最相关的知识子集。角色描述越具体（比如加上年限、专业领域、工作场景），约束效果越好。

要素二：任务——说清楚到底要干什么

就是你到底要它干什么，说清楚、说具体。"帮我写个东西"太模糊，AI 不知道你要什么；"帮我写一份这周的工作周报"就比较清楚了。任务描述越精确，AI 的输出越聚焦。

要素三：要求——把细节条件讲明白

这块很多人会省略，但写不写差别挺大。给谁看的？什么风格？什么语气？有没有什么限制？都在这里说。比如"给直属领导看的，重点突出项目进度，别写流水账"。你给的细节越多，AI 就越不用猜，出来的东西就越对。

要素四：格式——规定输出的样子

你希望它最后给你一个什么样子的东西——是写一整段话还是分点列出来？大概多少字？要不要分段？

比如"分三个部分：本周完成、进行中、下周计划，每部分两三句话就够"。

好提示词 vs 差提示词对比

差的写法	好的写法
帮我写一个周报	你是一个互联网公司的项目经理，帮我写一份本周的工作周报，给直属领导看的，重点突出项目进度和遇到的问题，分"本周完成、进行中、下周计划"三部分，每部分控制在三句话以内

角色、任务、要求、格式全齐了，AI 给你的东西自然就准得多。

三个提示词实用技巧：让AI输出质量再上一个台阶

技巧一：给它打个样（Few-shot Prompting）

你想要什么风格，与其用嘴去描述，不如直接丢一个例子给它。比如你要写标题，就说"参考下面这个风格，再帮我写五个"，然后把你觉得好的那条贴上去。

AI 的模仿能力很强，你给一个样板，比你描述半天都管用。

Few-shot Prompting（少样本提示）最早在 GPT-3 的论文《Language Models are Few-Shot Learners》（2020年，Brown 等人）中被系统性提出。研究发现，只需要在提示词中给出少量示例（通常1-5个），模型就能快速"理解"任务模式并进行高质量的模仿输出，而完全不需要重新训练模型。与之对应的还有 Zero-shot（零样本，不给例子直接问）和 One-shot（只给一个例子）。在实际使用中，给出的示例质量比数量更重要——一个精准的好例子，往往胜过五个平庸的例子。这个技巧对于风格模仿、格式统一、特定领域写作等场景尤其有效。

技巧二：让它先想再答（思维链 Chain-of-Thought）

碰到稍微复杂一点的问题，你可以加一句"请一步一步分析，然后再给我结论"。

为什么管用？因为 AI 本质上是一个词一个词往后接的，你让它把思考过程写出来，就相当于让它先打草稿，最后的答案就更靠谱。

思维链技术由 Google 研究员 Jason Wei 等人在 2022 年的论文中正式提出。他们发现，仅仅在提示词中加入"Let's think step by step"（让我们一步步思考）这样简单的一句话，就能让模型在数学推理、逻辑分析等任务上的准确率提升 20%-50%。其原理在于：大语言模型是逐词生成的，当它被要求先输出中间推理步骤时，这些步骤本身会成为后续生成的上下文，相当于给模型提供了"工作记忆"。后来这一思想进一步发展出了 Tree-of-Thought（思维树）、Self-Consistency（自洽性采样）等更高级的推理策略。DeepSeek-R1 等推理模型更是将思维链内化为模型的默认行为，让"先想后答"成为自动过程。

技巧三：给它一条退路（防止AI幻觉）

AI 有个毛病叫"幻觉"——不懂的时候也会硬编答案。怎么减少？你可以在提示词里写："如果你不确定，就直接说不知道，不要猜。"加了这句话，AI 在没把握的时候就更愿意老实承认，而不是一本正经地胡说八道。

AI 幻觉（Hallucination）是当前大语言模型最受关注的安全问题之一。它的根源在于模型的生成机制：模型并不是在"查找事实"，而是在预测"什么文字放在这里最合理"。当模型对某个话题缺乏足够的训练数据，或者问题本身存在歧义时，它仍然会生成看起来流畅、自信的文本——因为"流畅"和"正确"在模型的优化目标中并不完全等价。幻觉问题在医疗、法律、金融等对准确性要求极高的领域尤其危险。除了在提示词中加入"不确定就说不知道"的指令外，业界还在通过 RLHF（基于人类反馈的强化学习）、事实性检索增强等技术手段来系统性地缓解这一问题。

写提示词常踩的三个坑：看看你中了几个

坑一：一次性塞太多任务

又要写周报、又要配邮件、又要翻译，全堆在一条消息里，AI 很容易顾此失彼。

解决方法很简单：拆开，一次只让它干一件事。每个任务独立下达，质量会好很多。

坑二：客套话太多，冲淡重点

"你好呀，麻烦帮我一个小忙，可以吗？"这些寒暄对 AI 来说没有任何作用，反而把重点冲淡了。直接说你需要什么就可以，AI 不需要你跟它客气。

这里涉及一个技术概念：token。Token 是大语言模型处理文本的基本单位，中文中一个汉字通常对应 1-2 个 token，英文中一个单词大约对应 1-1.5 个 token。每个模型都有上下文窗口（Context Window）的限制，比如早期 GPT-3.5 的窗口是 4K token（约3000字），而现在主流模型已经扩展到 128K 甚至更长。上下文窗口决定了模型在一次对话中能"看到"多少内容。客套话占用的 token 不仅浪费了宝贵的上下文空间，还可能分散模型的注意力——研究表明，当输入内容过长时，模型对中间部分信息的关注度会下降，这被称为"中间遗忘"（Lost in the Middle）现象。所以，每一个 token 都应该用在传递有效信息上。

坑三：不满意就从头重写提示词

这完全没必要。AI 是有上下文记忆的，它可以接着聊。第一次给的不行，你直接说哪儿不行就可以了——"第二段太啰嗦，精简到两句话""语气再正式一点"。一轮一轮迭代调整，比你重写整个提示词要高效多了。

总结：提示词写法的核心就一句话

把你脑子里想要的东西，清清楚楚地讲给 AI 听。

你平时跟人怎么说清楚需求，跟 AI 就怎么说。记住提示词四要素框架（角色+任务+要求+格式），善用三个技巧（打样、思维链、给退路），避开三个坑（别贪多、别客套、别重来），你的 AI 使用体验会有质的飞跃。

不过提示词写得再好也有天花板——AI 再聪明，它也不知道你公司内部的资料、你自己电脑里的文档。如何让 AI 用上你自己的知识库？那就是 RAG（检索增强生成）等进阶话题了。RAG（Retrieval-Augmented Generation）是当前企业级 AI 应用最热门的技术架构之一，它的核心思路是：在模型生成回答之前，先从外部知识库（如企业文档、数据库、网页等）中检索出与问题相关的内容片段，然后将这些片段作为上下文一起喂给模型。这样模型就不再只依赖训练时学到的知识，而是能够基于最新的、私有的、特定领域的资料来回答问题，有效缓解了知识过时和幻觉问题，值得持续关注。

工具会变，但方法更重要。掌握了与 AI 沟通的底层逻辑，无论未来模型怎么迭代，你都能快速上手。