企业官网建设流程全解析

1. 先把提示词的“水”搅清楚：三条思维主线

1.1 检索式、推理式、创造式：先判断你在问什么

做提示词这行越久，越发现大多数人卡住的点不在“不会写”，而在“没想清楚自己在干一件什么事”。拿到一个模型，第一反应都是“帮我写个方案”或者“生成一张图”，然后模型给出的结果不满意，就归咎于工具不行。其实很多时候，是我们把三种完全不同性质的请求混在了一起。

我把 AI 交互里的提示词分成三类：检索式、推理式、创造式。

检索式，是“从模型记忆里把现成的知识调出来”。比如问“什么是提示词工程”，模型回复的是训练数据里已经存在的信息，这种请求要的是准确性和条理性。问题往往出在“知识太杂但用户期望太深”，你问一个泛泛的问题，它只能给你泛泛的答案。

推理式，是“让模型基于已知信息做逻辑加工”。比如你给它一堆销售数据，让它找出下滑原因，或者给它一段报错日志，让它判断是哪个环节出错。这种请求要的是“把链条拆开看”，提示词里必须明确告知推理起点和终点，否则模型很容易中间跳步，直接给一个看起来很正确但经不起推敲的结论。

创造式，是“让模型从分布空间里采样出新的内容”。无论是让 DALL·E 画一张“雨夜霓虹灯下的赛博朋克城市”，还是让 ChatGPT 编一个营销 slogan，本质都是概率采样。这种请求要的是氛围、边界和风格控制，而不是所谓“逻辑正确”。

理解了这三类以后，你会发现“解锁提示词”这件事其实是在做两件事：第一，判断当前请求属于哪一类；第二，用对应的结构化方式组织语言。我见过太多人用一个模版打天下，问知识、做分析、画图全是一套“请根据……来……”，最后效果当然不稳定。

1.2 三个工具的分工和组合逻辑

很多人把 ChatGPT、DALL·E 和自定义 GPT 当成三个独立的玩具，但实际上，一个成熟的 AI 工作流里，它们是三道工序，而不是三个入口。

ChatGPT 是“总调度”，负责理解意图、拆解任务、生成文字内容、做推理和规划。DALL·E 是“表达器”，负责把文字描述变成视觉内容，它需要的是已经加工过的、画面感很强的提示词。自定义 GPT 是“固化的工作流”，把前面两者的最佳实践封装起来，变成一个可重复调用的模块。

举一个实际的例子。我要给一个小型烘焙工作室做一套开业宣传物料，包括品牌文案、产品图和社交媒体发帖计划。直接用 ChatGPT 写文案，它会写得不错但不够有针对性；直接让 DALL·E 画产品图，它会画出“很像面包的面包”，但缺少品牌气质。

正确的工作流是：先让 ChatGPT 作为总调度，把品牌定位、目标客群、视觉风格这些信息整理成一份“需求简报”，再把简报中的视觉部分转译为 DALL·E 可理解的画面描述，生成图之后，回到 ChatGPT 根据实际图片调整文案语气。最后，把整个流程封装进自定义 GPT，以后接同类单子，只需要替换品牌名和产品信息。

这种组合逻辑的价值，在于每个工具只做自己擅长的环节，而不是试图让一个模型干完所有活。尤其是自定义 GPT，它最适合承接的是那些“你已经跑通两遍以上、每次都在重复同样操作”的任务。如果只是偶尔用一次，没必要建自定义 GPT；如果每个星期都要做同类事情，不建自定义 GPT 就太亏了。

我在实际项目中还会加一个环节：让 ChatGPT 先“自我提问”。比如接到一个需求，先不急着输出方案，而是让它列出完成这件事需要澄清的关键问题。这一步能极大减少后续返工，可惜绝大多数人没有这个习惯。

1.3 一个容易忽略的前提：提示词不是越复杂越好

市面上能把提示词写到几百字、带一堆变量和条件分支的人不少，但真正好用的提示词，往往是那种一眼能看懂、但每一句都有明确目的的简短版本。

我见过一个反例。有人为了让 ChatGPT 写一篇小红书风格的种草笔记，写了将近五百字的提示词，里面包含了角色设定、受众分析、情绪曲线、字数限制、标题要求、emoji 频率、开头钩子公式、结尾互动话术，甚至连“不要用感叹号超过三个”都写进去了。结果生成的笔记读起来极其僵硬，像是一个 AI 在模仿另一个 AI 写的套话。

问题出在哪？提示词越长，约束越多，模型的自由度就越低。低自由度在“推理式”任务里是好事，但在“创造式”任务里就是灾难。写种草笔记本质上需要的是风格感和自然度，过度约束会让文本丧失氧气。

所以我的经验是：复杂提示词用于“工程化流程”，简单提示词用于“一次性创作”。自定义 GPT 里的系统提示词可以写得复杂，因为那是配置而不是对话；但日常对话时，尽量用短促、清晰、带有示例的提示词，给模型留出发挥空间。

一个简洁有效的提示词结构通常是这样的：告诉它“你是什么角色”，告诉它“你要完成什么事”，给一个“参考风格或反面例子”，设定“输出格式和限制”，然后让它开始。四到六句话足够了，剩下的细节可以在对话过程中动态补充，而不是一开始就全部压上去。

2. 创意场景：DALL·E 的提示词写法与多轮微调

2.1 视觉提示词的结构化模板

很多人在 DALL·E 上画图，给出的描述只有一句话：“画一只猫”。结果输出的自然是“一只虽然正确但毫无灵魂的猫”。视觉提示词不能像日常对话那样随性，它需要结构。

我常用的视觉提示词模板是五层结构：主体、环境、风格、光线与材质、镜头与构图。

主体是画面的核心，要写清楚是什么、有几个、在做什么。环境是背景和氛围，比如“雨天的小巷”还是“未来感实验室”。风格决定了整体气质，可以是“吉卜力动画风格”“胶片摄影风格”“极简扁平插画”。光线与材质是最容易被忽略但影响最大的一层，同样是“一只猫”，在“清晨侧逆光下、毛发边缘泛着暖金色”和“正午顶光下、毛色发灰”完全是两种效果。镜头与构图则是摄影语言的迁移，“低角度仰拍”“长焦压缩感”“中心对称构图”这些词对成片影响显著。

举一个我会实际使用的提示词示例：

主体：一只橘猫蹲在木质窗台上，正回头看向镜头 环境：老城区清晨，窗外有晾晒的衣物和绿色植物 风格：日系胶片摄影风格，柔和色调，颗粒感中等 光线：金色晨光从侧面照入，猫咪轮廓有一圈光晕 镜头：中焦段，浅景深，窗台与远处街道形成层次

这种写法画出来的图，至少不会让人觉得“这就是一张随便生成的猫图”。它的精妙之处在于每个维度都给了 DALL·E 足够的锚点，模型不再需要自己去猜测那些只剩空气的画面要素。

2.2 风格词、镜头词和负面提示的搭配

视觉提示词里有两类词特别值得琢磨：风格词和镜头词。

风格词的作用是“锚定美学坐标”。DALL·E 对“油画风格”“水彩插画”“3D 渲染”“像素艺术”这些基础风格词的识别能力非常强，但当你想要更细腻的风格时，就需要组合词。比如“新海诚式透明光影 + 广角大场景 + 饱和度偏低的夏日色调”，这比单纯说“动漫风格”精确两个量级。

镜头词则是很多非摄影背景用户完全没用过、但效果立竿见影的部分。同样的场景，你写“全身照”和“85mm 焦距、背景虚化、半身人像特写”，得到的是完全不同的构图。DALL·E 对“低角度仰拍”“鱼眼镜头”“无人机俯瞰视角”“微距摄影”这些镜头术语的理解已经相当成熟，不用非常可惜。

关于负面提示，DALL·E 并不像 Stable Diffusion 那样原生支持 negative prompt 参数，但你可以通过“避免出现……”的句式来引导。比如画建筑场景时加上“避免出现现代电子屏幕和 LED 广告牌”，画人物时加上“避免明显的塑胶感皮肤与僵硬笑容”，能明显降低翻车概率。不过要特别注意一个坑：负面描述不能太抽象，DALL·E 对抽象否定词的理解远不如对具体描述的理解。你说“别画丑的”，它不知道什么叫丑；你说“避免面部比例失衡、手指数量异常”，它就懂了。

风格词和镜头词是 DALL·E 提示词里性价比最高的投入，一句话可能顶得上你重画十次。

2.3 多轮迭代改图：用“编辑提示”而非“重画”

很多人画图不满意，就直接重新生成。这是一种极大的浪费，因为 DALL·E 的随机性决定了重新生成大概率又是一张“相似但不同”的图，你依然要面对不满意的新问题。真正高效的做法是，在已经生成的图上做“编辑提示”。

所谓编辑提示，就是明确告诉 DALL·E：“保持这张图的构图和主体，把背景从雨天改到晴天”“还是这只同样的猫，但把窗外的植物换成红色三角梅”。DALL·E 的编辑能力虽然不像专业修图软件那样精细到像素级，但它能根据语义描述做整体性调整，这在“改氛围”“换元素”“调视角”这类需求上非常够用。

我复盘过很多次自己画图的过程，发现“第一版不满意”的项目，采用编辑提示平均只需要两三轮就能接近目标；而“每次都重新生成”的项目，往往要画十几版才能偶然碰到一张顺眼的。差别就在于，编辑提示保留了你满意的部分，只对不满意的部分做定向修改，信息熵不会全部清零。

还有一个很实用的技巧：如果生成的图里某个元素基本满意但位置不对，不要用文字描述“把猫移到右侧”，而是直接告诉它“猫保持在原位，镜头向左平移，让猫出现在画面右侧三分之一处”。这是因为 DALL·E 对相机运动的响应，远比对物体位置的口头描述更准确。你在编辑器里点击生成的图片，然后进行文字修改时，记得保留原图作为垫图参考，这样模型的空间一致性能好一大截。

3. 工作场景：让 ChatGPT 输出可直接使用的生产力结果

3.1 工作场景提示词的四要素法

工作场景的特点是“要交付物”，不是“要聊天”。这意味着你的提示词必须能被转换成一项具体产出。我总结了一个四要素法：目标、约束、格式、验收标准。

目标要写得像任务书里的“交付目的”，而不是一句泛泛的“帮我分析一下”。比如“帮我分析这份问卷数据”是无效目标，“从这份问卷数据中提炼出用户对产品定价的三个主要态度倾向，并为每个倾向给出占比和典型描述”才是有效目标。差别在于后者给出了分析角度和期望结果粒度。

约束是告诉模型“不能做什么”或“做了什么优先”。比如“不要使用表格以外的形式呈现”“不要输出超过五百字”“不要给出无法追溯到原始数据的结论”。约束的作用是防止模型自由发挥出你不需要的东西。

格式是产出结果的体裁，它可以很细腻，比如“开头用一段三句话的摘要，中间按问题分类，每个问题下列三点：现状、原因、建议，最后附一个与正文不重复的 checklist”。格式越具体，产出的可用性越高。

验收标准是这个方法里最容易被忽略但最有价值的一环。你要在提示词里告诉模型“我拿到什么才算满意”。比如“我需要这个方案能直接复制到会议纪要里，不需要改写”“我需要图表数据能直接粘到 Excel 里”。当你把验收标准前置到提示词里，模型会明显变得更收敛。

这套四要素法的本质，是把 AI 对话从“和聪明人聊天”变成“和靠谱员工交代工作”。聪明人聊天你只需要抛一个问题，但靠谱员工需要你交代背景、边界和产出方式。ChatGPT 也是一样，你给它越像工作指令的输入，它越容易给出工作结果的输出。

3.2 结构化输出：用针对性规范约束帮手

我几乎很少让 ChatGPT “自由表达”一个长答案。原因是自由表达的信息密度低，且格式混乱，难以二次加工。在我的工作流里，结构化输出是默认选项。

最推荐三种格式：Markdown、JSON、纯表格。

Markdown 适合写文档和方案，优点是层级清晰，可以直接粘到飞书、语雀等工具，同时可以作为后续自定义 GPT 的知识库文档。JSON 适合需要被程序读取的场景，比如你在搭建自动化流程，ChatGPT 输出的 JSON 可以直接被脚本消费。表格则适合对比分析、清单管理、会议记要这类需要横向扫读的内容。

举一个用结构化输出解决实际问题的例子。我有一段销售会议录音转写文字，需要把它变成会议纪要。直接丢给 ChatGPT，它会输出大段叙述，看着像复盘报告而不是纪要。但加入结构化格式约束之后：

请以会议纪要格式整理以下转写内容： 1. 用表格列出议题名称、主持人、结论 2. 每个议题单独一个小节，包含“讨论要点”和“待办事项” 3. 待办事项必须标注负责人和截止时间 4. 整体不超过1200字

同样的输入，产出质量提升一个级别。

还有一个细节：结构化输出之后，一定要做“重新描述验证”。让 ChatGPT 把输出内容按你的理解重新复述一遍，不用太长，一句话即可。这一步能拦截大量“AI 自己以为懂了但实际理解偏了”的情况，成本极低但价值极高。

结构化输出的终极目的，是让 AI 输出从“信息堆砌”变成“组件”，可以被直接拼装到你的工作流水线上。

3.3 思维链的应用：数据分析、代码排查、方案推演

“思维链”（Chain-of-Thought）在提示词工程圈子里已经不是什么新鲜概念，但真正把它用的好的场景，集中在三个地方：数据分析、代码排查、方案推演。

数据分析场景里，如果你直接问“这些数据说明了什么”，模型直接给你一堆结论，但你不知道这些结论是怎么来的，也不敢直接拿去汇报。加入思维链提示，比如“请你先列出要检查的数据维度，再逐项说明判断依据，最后给出综合结论”，模型的输出就变成了一条可溯源的证据链。这背后就是让模型在回答时同步输出推理路径，而不是只输出终点。

代码排查场景尤其受用。很多人丢一段报错信息给 ChatGPT，它很快给出一个修复代码，但你替换之后发现还是报错，因为你没告诉它你用了什么框架、什么版本、什么环境。更好的做法是让模型先构建排查步骤：“下面这段 Python 代码在 pandas 2.x 环境下报 KeyError，请先列出可能导致这个错误的三种场景，再根据我提供的代码判断是哪一种，最后给出修复方案。”注意，我是让它“列出三种场景”在前、“修复”在后，这一步走完，你会发现它的修复方案靠谱很多。

方案推演场景里，思维链的应用是把从 A 到 B 的过程展开。比如你想评估“要不要把内容分发从单一平台扩展到多平台”，直接问“有什么建议”，它给的是正确的废话。换成思维链写法：“请从人力成本、内容形态、分发效率、素材复用性四个维度，先列出每个维度需要衡量的指标，再基于常规团队配置推演三种方案的地图，最后给出推荐排序。”整个输出就从一个结论变成了一个决策框架，你可以拿着去跟团队讨论。

思维链的实际落点在于：它强迫模型“先做路径规划再填答案”。这跟人脑解决问题的方式一致，也更容易暴露模型在推理过程中可能犯的错误，因为每个环节你都能单独检查。

4. 自动化场景：自定义 GPT 是提示词“工程化”的体现

4.1 先定位：你的自定义 GPT 要解决哪一类重复劳动

先说结论：自定义 GPT 不适合用来做“一次性的复杂创造”，它真正的主场是“可重复的标准化过程”。如果你需要每天做同类表格整理、每周生成同样结构的数据分析报告、每次写同类型邮件都要反复调整语气，那么自定义 GPT 就是为这种重复劳动设计的。

很多人建自定义 GPT 时踩的坑是“什么都往里装”。又是角色设定，又是知识库，又是联网搜索，又是输出格式，结果调出来的 GPT 像个多动症患者，什么都会但什么都没做好。

我建议在开始配置之前，先花二十分钟回答三个问题。第一，我每周/每月的哪一项工作是最重复的？第二，完成这项工作需要哪些固定信息和哪些变化信息？第三，现在做这件事的流程里，哪个环节最耗时间？

第一个问题的答案就是你要封装的对象，第二个问题的答案拆开就是系统指令里的“不变部分”和“会话变量”，第三个问题的答案决定你要不要给它接上外部工具。如果这项工作只需要输入变化、输出固定，那是纯粹的文字模板型 GPT，配置最简单。如果需要读文件、查数据或者操作其他软件，那就得考虑接动作和知识库了。

定位清晰之后，你才能真正理解自定义 GPT 的本质：它不是一个更聪明的 ChatGPT，而是一个“把你已经迭代好的最佳提示词固化下来的人”。核心逻辑是，与其每天重复写那几十行提示词，不如把提示词本身配置成一个可以调用的产品。

4.2 配置一个能“办事”的 GPT：指令、知识库与动作

配置自定义 GPT 有三个核心图层：Instructions（系统指令）、Knowledge（知识库）、Actions（外部动作）。

Instructions 是灵魂。这里面的写法要远比我前面提到的日常对话提示词严谨，因为它是“默认运行规则”。一份好的指令应该包含：角色定义、工作流程、输入格式、处理规则、输出格式、语气和边界。尤其要定义清楚“当会话开始时模型应该先做什么”，因为自定义 GPT 会在每个新会话自动加载指令，你不让它先澄清问题，它就会直接按缺省理解开始干活。

Knowledge 板块是很多人容易用错的地方。上传知识库文件之前，先想清楚一个问题：这份知识是“参考信息”还是“硬性规则”？如果是参考信息，比如产品说明、行业术语表，设置“降低优先级、仅在相关时使用”即可。如果是硬性规则，比如报销标准、格式规范，那必须把它提升到“任何输出不得与之冲突”的优先级。

Actions 是最能产生自动化质变的部分。通过接 API 或第三方工具，比如把表单系统、日程工具或者数据看板接进来，GPT 可以不再只是“输出字符”，而是真的去执行动作。比如我做过一个每周数据周报 GPT，它通过一个简单的外部动作读取数据库导出的 CSV，然后用固定模板生成周报，再按固定格式写入协同文档。整个过程中人只做一件事：把 CSV 丢给 GPT。这背后提示词工程的核心不再是“写得好”，而是“设计得稳”。

4.3 把提示词当配置项：版本、变量、测试

大多数人的提示词都是“写一次用一次”，没有版本管理、没有变量设计、没有回归测试。这在日常对话里问题不大，但一旦进入自定义 GPT 的工程化场景，这种做法就会带来灾难。

把提示词当成代码管理，核心是三个习惯。第一，版本化。每改一版提示词，都保留上一版的完整内容，最好加上版本号和修改说明。我自己的做法是把提示词放在独立文档目录里，文件名类似“周报GPT_v3_增加数据源校验.md”，改了哪一句、为什么改，都要写清楚。理由很简单：提示词是行为逻辑，改动一句可能导致输出风格大变，盲改等于盲调。

第二，变量化。把对话中每次变化的部分抽象成变量，而不是写死在提示词里。比如做“竞品分析 GPT”，固定的是分析框架和输出模板，变量是“竞品名称”“分析周期”“重点关注维度”。这样设计的好处是，对话时不需要重写整段提示词，只需要说清楚变量的值即可，体验接近填表。

第三，测试集化。每调整一次自定义 GPT，都要用同一个“黄金测试用例”跑一遍，查看输出是否出现回退。比如我做的小红书笔记 GPT，测试集是“烘焙店新品焦糖海盐蛋糕”，每次改完都让它生成一篇，查看结构是否完整、语气是否一致、是否出现格式错误。如果没有回归测试，你可能改了 A 场景的效果，顺手破坏了 B 场景的输出，而自己毫无察觉。

这三件事做下来，自定义 GPT 的提示词就从“一段文字”变成了“一套系统配置”。我个人强烈建议任何正经使用自定义 GPT 的人都这样做，因为它表面上增加了一点维护成本，实际上省下的是无数个“怎么又变了”的不可控时间。

5. 常见问题与故障排查实录

5.1 “它不听我的”：约束失效的排查思路

最常见的抱怨是“我明明写了不要输出表格，它偏偏输出表格”。出现这种情况时，不要急着责怪模型，先检查提示词本身的约束结构。

第一个排查点是“约束是否前置”。ChatGPT 的注意力机制里，前后文权重不同，如果你把约束放在一大段描述的末尾，它很容易忽略。建议把核心约束放在提示词的前三分之一，并且用“单独成段+加粗描述”的方式强化。第二个排查点是“约束是否冲突”。比如你同时写了“要详细完整”和“字数不能超过五百字”，模型很难揣摩你究竟更在乎哪个。要给它明确的优先级：“当两者冲突时，优先保证字数”。第三个排查点是“约束是否使用了否定式”。模型对“不要做 X”的响应，远不如对“请只做 Y”的响应稳定。所以与其说“不要讲废话”，不如说“请直接给出结论和理由，不要延伸背景和概念解释”。

还有一种很隐蔽的情况：不是模型没看到约束，而是约束的表述让它产生了误解。比如你说“用口语化语气写”，它理解成“满篇挥洒语气词”，结果风格过于随意。解决办法是真面示例：“以 XXX 这样一段文字的语气为参考，重写以下内容。”示例比形容词管用得多。

如果以上三条都排查完还不行，大概率是模型版本差异导致的。不同版本对长文本的遵循能力有明显差距，此时你可以缩短整体提示词，把非关键信息拆到后续对话补充。

5.2 会话报错与打不开：区分三类常见问题

用 AI 工具最烦的事情之一，就是用着用着突然报错。我自己遇到过几种典型情况，而且它们的处理思路完全不同。

第一类是“对话串无法继续”或“config 相关报错”。这类问题本质上是会话数据出了问题，要么是上下文过长，要么是某个配置项失效。常规做法是先尝试新开一个会话，把之前的信息摘要带过去，不要试图在当前坏掉的会话里死磕。如果反复出现同类报错，检查一下是否升级了客户端、版本是否过旧，通常新版本会修复这类问题。

第二类是“客户端打不开或一直重新连接”。这种情况要先判断是应用层的问题还是服务层的问题。如果是应用层问题，比如卡在加载页面，可以先清理一下本地缓存和临时文件，大多数小毛病都能解决。如果清理后依旧频繁，那就是服务端的稳定问题，你能做的最有效的事情，反而是降低操作频率、避免在高峰期进行超长输出任务，或者改用更适合长文本处理的模型。

第三类是“模型不支持某个功能或选项”的报错。出现这类提示时，八成是版本与功能不匹配。排查思路是确认自己当前使用的模型版本是不是真的支持这个功能，如果不支持，换一个模型或开关对应的功能就行。我见过有人拿着不支持图像生成的文本模型去画图，还反复调整提示词画了一个小时，最后发现模型根本不支持图像生成。所以遇到功能报错，先看模型能力清单，再检查提示词。

处理所有报错有一个共同的原则：不要把所有错误都归因于网络或环境。先定位是配置问题、账户问题，还是参数问题，再动手。否则换了好几个环境、折腾半天，最后发现是模型选错。

5.3 DALL·E 图像的常见翻车现场

用 DALL·E 画图，翻车大概率集中在几个可以预判的场景里：文字渲染、手指/肢体细节、多人场景的交互、抽象风格的一致性。

文字渲染是最老生常谈的问题。DALL·E 对画面内文字的渲染能力一直在进步，但如果你让它直接生成一张“带中文招牌的街道照片”，大概率招牌上的汉字会变成鬼画符。实用策略是：要么不写具体文字进画面，要么在提示词中明确指出“招牌上是英文单词 COFFEE”而不要写“一个写着字的招牌”。

手指和肢体细节问题，本质上是对空间关系理解不足。如果单人肖像还不明显，多人互动时肢体错乱的概率会大幅上升。改善办法是尽量将多人场景简化为“单人主写、其他人作背景模糊处理”，并把提示词描述“具体到他们在做什么动作”而不是“在一起”。

抽象风格的“一致性”问题，指的是你要画三张同一产品的不同角度，但每次生成的风格和光线都崩了。这在视觉提示词里几乎是必然的，除非你使用非常强的风格锚定词和一个清晰的主体描述，否则很难稳定复现同一种风格。我自己在需要一致性的时候，会在每张图的提示词里重写同样的风格描述段落，并且把主体描述尽量规范化到同一句式，这样至少能保证构图上的一致性。

最后给一个个人经验：如果你对一张图不满意，修改提示词时一次只改一个维度。比如这次只换光线描述，下次只改镜头角度。一次改三个维度，画出来你根本不知道是哪个改动起了作用，也无法积累有效的判断经验，更可惜的是你永远无法精确控制变量。这跟调提示词的逻辑一样，每次都只动一个变量，长期下来就会形成自己的“有效提示词库”。

5.4 多模型协作的提示词衔接

自动化场景里最容易被低估的，是多模型协作时的提示词衔接问题。ChatGPT 输出一段文本给 DALL·E 做图，或者自定义 GPT 返回一个结论给另一个系统去执行，每个环节的输入输出都受提示词格式影响。

我的一个习惯是：在给协作下游准备的输出里，单独增加一个“结构化摘要”段。比如 ChatGPT 分析完一份品牌资料，要转到绘图环节，我会要求它额外输出一段“绘图提示词草稿”，直接可以用。这样做的好处是，不同环节之间的语言不会互相污染，因为绘图提示词和文字分析的语言逻辑完全不同，混在一起会降低下游模型的执行质量。

还有一个衔接细节：多模型协作时，中间格式尽量用 JSON 或 Markdown 这类“机器友好”的结构化格式，而不是自由文本。自由文本传递给下游模型时，下游模型需要重新理解语义，容错率低；而结构化格式相当于已经做了参数化，下游直接消费即可。这也是为什么我把“提示词工程”形容为“给 AI 编排一套可执行的 API 契约”。

当你要做更复杂的自动化流程，比如多 AI 协作系统，可以考虑把 ChatGPT、DALL·E、自定义 GPT 当成三个模块，由一个调度提示词统一串联。我在这类项目中反复迭代的经验是：调度提示词不负责具体内容生成，只负责“拆任务、派单、回收、汇总”，就像项目经理一样。这样每个 AI 各司其职，输出也更容易稳定。

我个人这些年最大的体会是，提示词工程学的不是“说话技巧”，而是“任务设计能力”。你先是设计师，把一项工作拆解成可以让 AI 产出的最小单元；然后是翻译官，把人类需求转译成模型能理解的目标、约束和格式；最后是测试工程师，不断用真实场景回归验证，打磨出稳定可靠的工作流。这个能力不会因为某个模型的迭代而过时，因为无论工具换了几代，“把问题定义清楚再交给工具”的逻辑永远不会变。