企业官网建设流程全解析

1. 先想清楚一件事：提示词工程到底在"工程"什么？

我最早接触大语言模型的时候，纯属"玄学选手"。

问法是"帮我写一个产品文案"，得到一坨正确的废话；换成"你是一个营销专家，帮我写一个能让人下单的文案"，好像好了一点，但也就好了一点点。后来一个做算法的朋友点醒我："你不是在用AI，你是在赌AI会读心术。"

这句话挺扎心，但确实是很多人卡住的根本原因。提示词工程不是"多写几句好话让AI高兴"，它的本质是把模糊的意图翻译成明确的约束。大语言模型的能力边界一直在扩展，但有一点始终没变：它不认识你，不知道你脑子的上下文，它只能根据你给的文字去猜你最可能想要的东西。提示词写得差，不是AI笨，是你给的约束不够。

这篇文章要聊的，是我在真实项目里反复验证过、能立刻用上的10个技巧，以及一套直接抄走的模板库。不绕理论，不搬论文，全部是"复制粘贴改一改就能跑"的实操内容。适合刚开始接触提示词的新手，也适合已经在用但总觉得输出不够稳的中级用户。

1.1 大语言模型本质上是一台"高级文字接龙机"

先花30秒理解底层机制，后面所有技巧都从这里长出来。

大语言模型的核心能力，是"根据已有的文字，预测下一个最可能出现的词"。你给它"今天天气真"，它大概率接"好"；你给它一句完整的话，它会把可能出现的后续句子按照概率排列，再挑一个组合出来。这个预测过程基于海量训练数据形成的统计规律，所以它看起来懂语法、懂逻辑、懂常识，但它并不像人一样有一个"想表达的意思"。

这意味着一个关键结论：你的提示词就是模型唯一的上下文。模型不知道你写这个提示词之前想了什么、你的业务背景是什么、你讨厌什么风格，它只知道你打出来的这几个字。所以提示词工程的所有工作，本质上都是在做一件事——把模型需要知道的上下文，尽可能精确地塞进那几行文字里。

用做饭来类比就很好懂。你对着厨师说"做点好吃的"，他只能发挥想象力，做出来可能完全不是你想吃的；你跟他说"做一道麻辣口味的川菜，主料用鸡腿肉，不要香菜不要姜，辣度中辣，最后要收汁"，他做出来的东西，才真正接近你脑子里的那盘菜。提示词工程干的就是这件"把需求说清楚"的活，只不过服务的对象是一个没有预判能力的文字接龙机。

1.2 为什么同样的模型，别人用出来的效果差好几倍

我经常被问一个问题："明明用的是同一个模型，为什么你拿到的结果比我的好这么多？"

差距往往不在模型，而在提示词里藏了多少约束。我做过一个简单的对比实验：让同一个模型写一段"产品卖点说明"，第一组提示词只有这一句，第二组提示词包含了目标用户画像、使用场景、行业调性、篇幅限制、语气要求、禁止词清单。结果是第二组的输出质量，那些经常用AI的人一眼就能看出区别——一个是"看起来没错但没什么用"的泛泛之谈，一个是"可以直接放进详情页"的成品。

但这里要说明一点：提示词不是越长越好。不是往里堆形容词就有用。真正有效的是"结构化约束"——每一个条件都在降低模型的猜测空间。后面要讲的10个技巧，本质上就是10种给模型"设置边界"的方式，每个技巧解决一个特定的模糊点。

2. 三个基础技巧：先把提示词写"稳"

这三个技巧适合所有人，尤其是刚入门的人。把这三个练成肌肉记忆，你的提示词质量会立刻上一个台阶。

2.1 技巧1：角色设定，给模型一个明确的人格视角

角色设定大概是"性价比最高"的一个技巧，因为它加一句话就能见效。原理很简单：模型在训练数据里见过大量"扮演特定角色"的文本模式，当你给它设定角色时，它会自动切换到对应领域的词汇习惯、逻辑方式和语气。

但大多数人的角色设定太敷衍了。"你是一个AI助手"等于没说；"你是一个营销专家"稍微好一点，但依然太宽泛。真正有效的角色设定，需要包含三个维度：

• 身份：你是什么领域的什么角色？资历多深？
• 任务边界：你在这个任务里负责什么、不负责什么？
• 受众：你输出的东西是给谁看的？

我第一次感受到角色设定的威力，是在写技术方案的时候。同样的需求，用"你是一位资深后端架构师，请评估这个方案的缺陷"比"请帮我看看这个方案有什么问题"得到的答案，细节密度和严谨程度完全不在一个量级。原因是前者激活了模型在训练数据里学到的"资深架构师"那一大堆文本模式，回答时会自动带入评审视角。

2.2 技巧2：任务拆解，一次只让模型做一件事

很多提示词翻车的根源，是"一次问太多"。

比如你问："帮我写一份市场调研报告，分析竞品优劣势，顺便给出定价建议，还要包含推广计划。"模型确实会给你一份看似完整的报告，但每个部分都很浅——因为它在一次生成过程中要分配注意力给四个任务，最后只能在每个任务上都"点到为止"。

正确的做法是拆开问。先让它做竞品分析，得到结果后，再基于这个结果问定价建议，然后再基于前面的内容问推广计划。每一步的输出都是下一步的输入，这样每个环节的质量都会高很多。

这种方式有个专业叫法是"链式提示"（chaining），但在实操中它不需要什么高深技巧，就是养成一个习惯：一个提示词里只问一个问题，只要求模型完成一个主要任务。如果任务确实复杂，就在提示词里明确 "第一步做什么，第二步做什么，第三步做什么"，让模型按流程走，而不是一口气全做完。

我自己的经验是，写复杂提示词之前，先在草稿纸上把任务拆成3到5个步骤，然后用编号写进提示词。写完后通读一遍，如果发现某一句话有"顺便""还有""同时"这类词，基本就是拆得不够细的信号。

2.3 技巧3：格式预定义，让输出开箱即用

你有没有这种经历：让AI输出一份商品对比表，它给你来一大段文字；让它列行动清单，它给你写一段散文。你不说清楚格式，模型就用自己的审美自由发挥，而它的审美常常不是你要的。

格式预定义就是在一开始就告诉模型"我要的输出的样子"。这个技巧能立刻提升实用性，因为大部分人在使用AI时，最终目的是要一个能直接用的产物，而不是一篇要自己二次整理的文本。

格式预定义的两种常见用法：

• 宏观格式：比如"用Markdown表格输出""用Bullet Points列出""输出为JSON格式""分三段，每段不超过100字"。
• 微观格式：规定每个部分要有什么字段，比如"每一条包含：问题描述、影响范围、解决建议、优先级"。

这个技巧有一个特别好的副产物：当模型被限定格式后，它的"废话率"会显著下降，因为格式本身就构成了一种约束，逼迫它把注意力放在内容填充上，而不是纠结该怎么表达。

3. 三个进阶技巧：把输出质量再往上拉一个台阶

基础技巧解决"输出能不能用"的问题，进阶技巧解决"输出好不好"的问题。会了这三个，你和普通玩家的差距就拉开了。

3.1 技巧4：少样本示例，用"参考答案"给模型做示范

让模型模仿比让模型创作更容易得到好结果。少样本提示（Few-shot Prompting）就是在提示词里给出1到3个输入输出的示例对，告诉模型"照着这个格式和调性来"。

举个例子。我常需要把技术需求转成用户故事，如果只写"把下面这个需求转成用户故事"，AI给的格式五花八门。但我加上一个示例：

需求：用户可以在个人中心修改头像 用户故事：作为注册用户，我希望能够修改个人头像，以便让我的个人资料更贴近真实形象。 验收标准：用户从个人中心进入头像设置，支持上传本地图片，格式限jpg/png，大小不超过5M，上传成功后全站头像即时更新。

再丢给它下一个需求，它输出的用户故事格式就稳定了，连验收标准的颗粒度都很接近。原理很好理解：示例相当于给它一个"从哪个方向猜测意图"的锚点。你给的示例质量，就是模型输出的质量上限，所以示例一定得是你能接受的最低标准，不能糊弄。

少样本提示适用的场景非常多：写作风格模仿、数据提取格式、代码注释风格、翻译风格偏好……几乎任何需要"输出保持固定风格格式"的任务，都可以用这个技巧来兜底。

3.2 技巧5：限定边界，给模型画一个"安全圈"

大模型有个著名的毛病叫"幻觉"——它会一本正经地编造事实。应对幻觉的最粗暴有效的方式，就是在提示词里画边界。

边界分两类：内容边界和表述边界。

内容边界是说清楚"什么可以做、什么不可以做"。比如让AI写行业分析："只基于以下提供的资料内容，不要补充任意外部信息，如果资料中缺乏相关信息，请直接说明‘资料中未提供该信息’。"这一句话就能消掉大量编造。

表述边界是控制语气和用词。"不要使用绝对化表述""不要用夸张的营销词""避免术语堆砌，优先用通俗语言解释"等等。这些限制词会把模型的输出往"稳"和"准"的方向拉。

我见过的最典型的反面教材，是有人让AI写一份"行业趋势分析"，没说资料范围，AI洋洋洒洒编了三页"趋势"，看起来逻辑通顺、数据详实，结果全是假的。后来的改正方案很简单：把所有真实资料贴在提示词里，然后加一句"只基于上述资料进行分析，不得引用资料外的数据或事实"。输出立刻从"看起来专业"变成了"真正可靠"。

3.3 技巧6：思维链引导，让模型学会"先想后答"

当任务涉及推理、计算、分析时，直接让模型给结论，它经常跳步出错。这时候可以用思维链（Chain-of-Thought）技巧，让模型把推理过程一步步写出来。

最简单的用法，是在提示词末尾加一句"请先列出你的思考步骤，再给出最终结论"。这句话听着普通，但对需要多步推理的任务，效果立竿见影。原因是模型在生成"思考步骤"的过程中，等于自己做了一次计算草稿，后续生成的结论会基于草稿中的中间结果，而不是直接一步跳到结尾。

做数据清洗的时候，我常让AI判断一批用户反馈文本的情感极性。直接问"这条评论是正面还是负面"，准确率大概八成；加上"请先拆解关键词和语气信号，再判断情感极性"之后，准确率能接近九成半。

这个技巧要注意一个前提：只有当任务的推理链路比较长时才值得用。像"把这句中文翻译成英文"这种短任务，思维链反而会拖慢速度、增加无谓的输出。

4. 四个高阶技巧：把提示词当成一个可以迭代的工程系统

前面的技巧解决的是"单次提示词"的质量，高阶技巧解决的是"多次提示词"的效率和稳定性。到这一层，你就算从"会写提示词"进阶到"会做提示词工程"了。

4.1 技巧7：把温度参数和提示词当成一对搭档来调

很多人只用提示词，完全忽略模型API里的参数。实际上，提示词和参数是配合使用的。

核心是温度（temperature）参数。温度越低，模型的输出越确定、越保守；温度越高，输出越发散、越有创意。对比如下：

我早期犯过一个错：让AI生成广告语，结果温度调得太低，十条里九条长得一样。后来把温度提到0.9，同样提示词一下出来好几个风格完全不同的版本。反过来，让AI抽取合同里的关键字段时，温度高了，它就开始"自作主张"地润色原文，字段对不齐——把温度降到0.1，问题立刻消失。

提示词工程不是只写在对话窗口里的句子。如果你在用API或者一些支持参数调优的工具，温度是需要一起考虑的变量。

4.2 技巧8：迭代追问，把对话当成"调试器"

一次拿到完美输出的概率其实不高，高手和普通人的差别在于——高手把对话当成调试过程，普通人是"不行就重开一局"。

迭代追问的核心思路是：不修改原始提示词，而是在上一轮输出的基础上，指出问题、追加约束、要它重写。这样做有三个好处：

1. 保留已经正确的部分，只修正偏差的部分，比从头再来省时间；
2. 模型有上下文记忆，它记得自己上一轮说了什么，追问修改的一致性更好；
3. 每一次追问都是对提示词的"增量调优"，几个来回之后，你就知道自己写提示词时漏了哪些约束。

我在写长文时常用的追问链大概是这样的：先让AI列大纲 → 修改大纲 → 让它扩写某一节 → 指出风格太官方 → 让它变得口语一点 → 指出某段逻辑跳了 → 让它补充过渡段。整个过程像雕石头，而不是重新烧一窑砖。

有一个小技巧：如果你知道自己要反复修改，第一轮提示词里就加一句"完成后，请主动列出三个你觉得可以改进的地方"。模型会在给出答案后自己提建议，这些建议相当于免费的提示词优化器。

4.3 技巧9：结构化提示词，用符号把逻辑"钉"在纸上

当提示词变得很长时，模型理解起来也会"看走眼"。这时候可以借助结构化写法，把提示词按区块分隔开，让模型清楚每一部分的职责。

最常见的结构是：

【任务】 【背景】 【输入数据】 【处理步骤】 【输出格式】 【约束条件】

用方括号、XML标签或者Markdown标题分隔都可以，关键是让模型能区分"这行是背景介绍""这几行是待处理的数据""这句话是输出的格式要求"。我实测下来，用这种区块式的写法，长提示词的翻车率明显比一大段散文式提示词低。

更极致的用法是把提示词写成一套"操作手册"：开头约定术语，中间给处理逻辑，最后给输出模板。这样的提示词已经不太像对话了，更像一份配置文件。实际上，很多人把高复用性的提示词固化下来，配合变量使用，就变成了团队内部共享的"提示词模板"。这就引出了第十个技巧。

4.4 技巧10：建立自己的模板库，把它当代码一样做版本管理

真正把提示词工程落地的人，都有一份自己的提示词模板库。这不是简单收藏几条好用的句子，而是一个持续维护的资产。

我维护模板库的方式参考了代码管理的思路：

• 每条模板有明确的版本号：改过一次就生成一个新版本，记录改动时间和改了什么。这样如果新版本表现反而差了，能快速回退。
• 分场景归档：写作类、代码类、分析类、学习类、办公类，每条模板都有适用说明、不适合的场景和已知的问题。
• 记录"无效尝试"：哪些写法试过但不好用，也记下来，避免下次再踩同一个坑。
• 参数化：把模板里可变的字段用{{变量名}}占位，需要的时候替换即可。这样一条模板可以复用到多种场景。

模板库看起来"很费事"，但它带来的复利是巨大的。每次写提示词都从零开始的人，和每次从自己的模板库复制粘贴再微调的人，半年后输出的效率和质量会有数量级差距。

5. 能直接抄走的模板库：10个高频场景

前面讲了技巧，这节直接给成品。下面这些模板都是我实际用过的改过的，你复制到对话窗口里，把方括号里的内容替换成自己的场景就行。

5.1 写作类模板

模板A：结构化长文写作

【角色】你是一名资深内容创作者，擅长把复杂话题讲得通俗易懂。 【任务】请按照以下大纲创作一篇关于「主题」的文章。 【背景】目标读者是「群体」，他们的痛点包括「痛点」。 【结构要求】 1. 第一部分：用一个真实场景或反常识结论切入 2. 第二部分：分解核心概念，每个概念用生活类比解释 3. 第三部分：给出可操作的方法或步骤 4. 第四部分：提供常见误区和注意事项 【输出要求】 - 语气：口语化、亲切，像经验丰富的朋友在分享 - 篇幅：每个部分约300字 - 禁止使用：模板化总结、空话套话、过度绝对化的表述 【写作前】请先用一段话列出你计划的关键点和结构，等待我确认后再开始。

模板B：营销文案改写

【角色】你是一名熟悉消费者心理的文案策划。 【任务】把下面这段产品描述改写为「平台风格」的种草文案。 【产品描述】「原文」 【已确认的卖点】1.「卖点一」 2.「卖点二」 【要求】 - 字数控制在「XX」字 - 开头必须用痛点切入，不要用"今天给大家推荐" - 每一个卖点都要对应一个使用场景或用户需求 - 结尾给出明确的行动指引 - 禁止使用"绝绝子""yyds"等网络流行词

5.2 编程类模板

模板C：代码审查

【角色】你是一名资深代码审查工程师。 【任务】请审查下面这段代码，重点关注「性能/安全性/可维护性/边界条件」。 【代码】 「粘贴代码」 【输出格式】 | 问题级别 | 代码位置 | 问题描述 | 修改建议 | 【补充要求】 - 如果没有发现问题，请直接回答"未发现明显问题" - 如果发现问题，先列问题，再给修改后的代码片段 - 不要修改与本次审查目标无关的代码风格

模板D：报错排查

【角色】你是一名经验丰富的开发工程师。 【任务】帮我排查下面的报错。 【环境信息】 - 语言/框架：「如Python3.11 / Django 4.2」 - 操作系统：「如macOS 14.0」 - 相关依赖版本：「如有」 【报错信息】「完整粘贴报错日志」 【完整代码】 「粘贴相关代码」 【请按以下顺序排查】 1. 先判断报错最可能的原因 2. 给出定位问题的排查步骤（不要直接给修改方案） 3. 在前两步完成后再给出修复方案 4. 最后说明这个报错背后的原理

5.3 分析类模板

模板E：数据分析报告

【角色】你是一名商业数据分析师。 【任务】基于下面提供的数据，完成一份分析报告。 【业务背景】「用两三句话说清楚业务场景」 【数据说明】「说明每一列的含义和数据口径」 【数据】 「粘贴数据或表格」 【报告结构】 1. 核心结论（不超过3条，放在最前面） 2. 关键指标解读 3. 趋势和异常点分析 4. 可能的原因假设 5. 下一步建议 【约束】 - 只基于提供的数据，不得编造数据 - 数据不足时，明确标注"数据不足以支撑该结论" - 避免过度推断因果关系

模板F：竞品调研

【角色】你是一名行业研究员。 【任务】调研竞品「竞品名称」的优势和劣势。 【已知信息】「把你在官网、使用体验中观察到的事实写下来，越多越好」 【输出要求】 - 从产品功能、用户体验、商业化模式、市场定位四个维度展开 - 每个维度下分为：竞品做法 / 相对优势 / 相对劣势 / 对我的启发 - 最后的"对我的启发"部分要具体，不写"值得学习"这类空话 - 如果现有信息不足，请列出还需要补充的调研问题

5.4 学习类模板

模板G：概念拆解

【角色】你是一名擅长费曼学习法的老师。 【任务】帮我彻底搞懂「概念名称」这个概念。 【我的基础】我已经了解「前置知识」，但对「概念名称」的理解比较模糊。 【输出要求】 1. 先用两句话给出通俗定义 2. 用一个生活化类比解释 3. 拆解这个概念的核心组成部分，每个部分配一个例子 4. 指出最常见的3个误解 5. 给我一个能自己验证是否理解的小练习 【额外要求】如果概念太复杂，请先问我要不要展开某一部分，不要一口气讲完。

模板H：读书笔记

【角色】你是一名阅读教练。 【任务】帮我整理《「书名」》这本书的读书笔记。 【我的阅读目标】「我想从这本书里学到什么」 【输入】「粘贴你做的原文摘录或章节要点」 【输出结构】 1. 本书核心观点一览 2. 我摘录内容的逻辑串联 3. 与我的问题相关的关键启发 4. 书中观点可能的局限 5. 基于这本书，我的下一步行动建议（3条以内）

5.5 办公效率类模板

模板I：会议纪要整理

【角色】你是一名高效的会议记录秘书。 【任务】将下面的会议记录整理成结构化纪要。 【会议主题】「主题」 【原始记录】「粘贴零散的原始记录」 【输出格式】 - 会议结论（一句话） - 讨论要点（每条不超过50字） - 行动项（负责人、事项、截止时间） - 遗留问题 【要求】尽量保留原始记录中的关键信息，不添加会议中未出现的内容。

模板J：邮件撰写

【角色】你是一名得体的职场沟通高手。 【任务】帮我写一封工作邮件。 【目的】「说明邮件目的，如争取资源/汇报进度/约时间」 【背景】「相关上下文」 【收件人关系】「如直属上级/跨部门同事/客户」 【风格要求】「正式/友好/简洁/有说服力」 【特殊要求】「如需要语气委婉、需要强调某个重点」 【输出】请先给初稿，然后标注这封邮件可能的3个风险点或可优化之处。

6. 模板不是拿来就灵的：几种常见翻车现场和补救办法

模板库给了，但这东西跟菜谱一样——照着做也不一定每次都成功。我把自己踩过的坑和补救方式整理在这里，能帮你省掉很多试错时间。

6.1 模板失效的三个高频原因

第一个坑：把模板当成免改的"标准答案"。模板里的角色、受众、背景都是占位符，不是摆设。很多人复制模板后只改了主题，背景和受众还留着我的原文，输出自然一塌糊涂。每一条带方括号的字段，都要根据你的场景认真填，填得越具体，输出越准。

第二个坑：上下文太长导致模型"记不住"。大模型的输入长度有限，即便是有超长上下文的模型，在信息过载时也会出现"中间遗忘"现象。我遇到过贴了三万字资料后，模型输出结论跟资料完全无关的情况。解决办法是：拆小批量喂给模型，或者先在提示词里做一次"预处理摘要"，再基于摘要提问。

第三个坑：前几轮对话污染了当前的结果。很多人在同一个对话窗口里问了很多不相关的问题，模型的注意力被之前的对话带偏了。哪怕你新输入的提示词写得很完美，前文残留的信息也可能干扰输出。所以重要任务我一般"新开对话"，或者用"以下内容与前面的对话无关，请把它当作全新任务"来隔离。

6.2 模板跑偏时的三步微调法

当输出不理想时，不要急着换模板，按顺序试这三步：

第一步：补充约束。看输出缺什么就加什么。风格不对加风格要求，内容太浅加深度要求，格式不对加格式说明。

第二步：增加示例。文字描述不出来的时候，直接给一个"我就想要这种感觉的示例"，比写十句形容词都好使。

第三步：降低任务难度。如果还是不行，大概率是任务本身太复杂，把它拆成两三个子任务，分步完成。

这套微调法比"换个花哨的提示词重问一遍"要可靠得多，因为每一轮调整都保留了之前正确的部分，是增量式的改进。

6.3 关于模板库迭代，我最后补一句

提示词模板不是越"炫技"越好。我见过有人把提示词写成几千字的"角色人设+世界观+行为准则"，看起来特别专业，实际效果反而不如一百字的聚焦指令。核心原因是模型对"指令"和"噪音"的区分能力有限，提示词里的信息密度一旦降低，它就会把注意力分散到无关细节上。

好的模板标准一直没变过：用最少的字数，提供最高的约束密度。每条模板里都应该有必填的变量，其余部分尽量精简。

我自己维护模板库的习惯是：每用一次模板，就在文件末尾追加一行"本次使用效果/修改点"。积累一段时间后，哪些模板稳定好用、哪些场景需要特殊处理，一目了然。这个过程有点像程序员维护自己的工具函数库，前期花点时间，后面全部是红利。