写Prompt到底有没有技巧？这个问题可以拆成两个：
第一，是不是只要"好好说话"就行？第二，是不是复杂得像编程，得学一套黑话？
答案是：介于两者之间。
你没有必要记住一堆"模版"，但如果你理解了AI到底是怎么"读"你的提示词的，很多技巧就自动浮出水面了。今天就用这篇把它讲透。
先理解一件事：AI不是"理解"，是"续写"
这是最核心的前提。别把AI当成人脑，它的工作机制更接近——给你一个开头，你来猜后面最合理的词串。
比如我说"今天天气真____"，你大概率会补"好"或者"不错"。AI做的是同样的事，只不过它的词汇表有几十万Token，它的"猜测"是在一个超高维的数学空间里做概率分布计算。
所以你写Prompt，本质是在引导这个"续写"的方向。
你在Prompt里说的话，就像是给了AI一个"起跑姿势"，决定了它接下来往哪个方向冲刺。
技巧一：给模型"定位"，而不是"下命令"
这是最容易被忽略的。
很多人写Prompt是这样的：
“给我写一篇关于AI的文章。”
AI大概率给你一篇中规中矩、毫无亮点的文章。为什么？因为你没有告诉它"你是谁"。
改成这样：
“你是一位在AI领域有10年经验的科技记者，擅长用通俗的语言解释复杂概念。现在你需要给《科学美国人》写一篇1500字的文章，主题是…”
质量直接翻倍。
为什么？因为你用"定位"锁定了续写的方向。模型在几十万条训练数据里见过"科技记者写文章"的段落模式，所以它会沿着这个风格路径输出。你给了定位，就等于告诉它"用这个身份的经验来解题"。
这不是玄学，是概率链路。你的Prompt让模型在输出空间中划出了一个子区域，它只在这个子区域内做概率选择。
技巧二：给"反面约束"，比给"正面要求"更有效
这是一个反直觉的技巧。
正面要求： “写得通俗易懂一些。”
反面约束： “不要使用任何专业术语。假设读者是高中生。”
后者为什么更有效？因为AI的训练数据里，教材、论文、专业文章都倾向于"正面叙事"。“写得通俗"这个指令不够明确，AI不知道边界在哪。但"不要使用专业术语"是一条明确的过滤器，模型会主动屏蔽掉术语相关的Token。
你还可以这样写：
“避免以下表达方式：‘在当今AI飞速发展的时代’、‘随着科技的进步’。不要用排比句，不要用感叹号。”
这些是对模型的"禁区”，效果出奇地好。
背后的逻辑：AI的Token预测本质是在做选择，多一个约束条件就少一批候选词。约束越具体，选择的"信噪比"越高。
技巧三：用"三步走"结构——给Chain-of-Thought让路
这是目前已知最稳定的技巧。
对比两个Prompt：
❌ “帮我分析这个数据。”
✅ “请你先阅读下面的数据，列出三个关键的异常点，然后针对每个异常点给出可能的原因，最后给出建议。”
为什么后者更好？因为你在强制模型进行显式推理。
这有一个专门的名字：Chain-of-Thought（思维链）。
你给它一个"推理步骤"，它就会按步骤来走。每一步的输出都会成为下一步的"上下文"，让后续预测更准确。没有步骤，AI可能直接跳到结论，跳过了中间的分析过程，结论自然质量差。
三步走公式：
- 上下文：告诉AI它需要知道什么背景
- 任务分解：把大任务拆成3-5个小步骤
- 输出格式：明确告诉AI你期望的输出结构
实战例子：
“背景：我正在写一篇关于GPU市场的分析报告，面向AI创业者。 任务：请分析NVIDIA H100的主要竞争对手，包括AMD MI300X和自研芯片方案。 步骤：
- 先列出每个竞争对手的基本参数
- 然后从价格、性能、生态三个维度对比
- 最后给出创业者的选型建议 输出格式：用Markdown表格呈现对比，每段控制在200字以内。”
这就是一个标准的"专家级Prompt"。
技巧四：给"role model"示范，而不是抽象描述
如果你想让AI用某种风格输出，不要说"请用犀利一点的风格"，而是给它看一段例子。
Few-shot Prompt：
“以下是几个示例，注意它们的语气和风格： 示例1：[…] 示例2：[…] 现在请按照同样的风格回答下面的问题：”
这在学术上叫Few-shot Learning。AI通过你给的示例，能更准确地"锁定"输出风格。比任何抽象描述都有效。
为什么？因为模型是在做续写。你给的例子会直接影响Token序列的概率分布，示例越多、越精准，输出就越贴近期望。
实际测试：给同一个任务分别用"写得幽默一点"和3个幽默例子，后者的好笑程度能高出几倍。
技巧五：给AI"犯错的机会"——Self-Correction
很多人不知道，Prompt可以分多轮。
第一轮： “请写一段代码实现功能X。”
AI写出来了，但可能有bug。别停。
第二轮： “请检查你刚才写的代码，找出潜在的问题，并给出改进版本。”
这个技巧叫Self-Correction（自修正）。AI在第二轮中看到了自己第一轮的输出，“续写"的过程变成了"审阅”，它发现问题的概率高得惊人。
为什么能奏效？因为训练数据里包含了大量"review代码"、“找出bug"的语料。模型切换到"review模式"后，相当于换了一个"职业"来处理同一个问题。
你也可以在一开始的Prompt里就加入：
“写完之后，请你自己审查一遍，标注出可能有问题的部分。”
技巧六：用JSON/结构化输出 降低不确定性
如果你需要AI返回结构化数据，直接告诉它格式：
“请把你的回答放在一个JSON对象中，包含以下字段：title、summary、analysis、recommendation。”
模型在训练数据中见过大量JSON格式的文本，你给定了schema，它就会在这个框架内"填空”。这比让它自由发挥然后你再去"提取"要稳定得多。
对于程序员来说，这几乎是"必须掌握的技巧"。配合System Message使用效果更佳——在System Message里定义好输出格式，User Message里只给具体内容。
那到底要不要记Prompt模版？
答案是：不需要。
市面上流传的那些"万能Prompt模版"本质上是把上面这些技巧做成固定的框架。但真正的高手是根据场景灵活组合的。
你的工具箱：
| 场景 | 用什么技巧 |
|---|---|
| 写文章 | 定位 + 反面约束 + 格式要求 |
| 写代码 | 任务分解 + Self-Correction |
| 翻译 | Role Model示范 + 反面约束 |
| 分析数据 | 三步走结构 + 输出格式 |
| 头脑风暴 | 开放问题 + 数量限制 |
一个实战案例
让我们看一下"普通Prompt"和"优化Prompt"的差距：
❌ 普通版：
“帮我写一封辞职信。”
✅ 优化版：
“你是一位有8年职场经验的HR专家，擅长写专业得体的商务信函。 请帮我写一封辞职信，面向我目前的直属上级。 要求：
- 语气温和且职业，不要有负面情绪
- 感谢公司给予的机会
- 原因是’个人职业发展需要’
- 希望最后两周能做好交接
- 不要出现’更好的机会’之类的措辞
- 长度不超过300字
- 先写一段草稿，然后自己检查一遍，确保语气合适”
你能明显感受到区别。后者给了AI足够的定位、约束和步骤，让它在极小的"优质输出空间"内做选择。前者则让AI在一个巨大的"任意空间"里自由发挥——可能撞到好的，但大概率是平庸。
小结
Prompt技巧的核心就一句话：你的引导越精准，AI的续写越靠谱。
这六个技巧足够你覆盖90%的场景：
- 给定位 → 锁定输出风格
- 给反面约束 → 缩小搜索空间
- 三步走结构 → 引导推理过程
- Role Model示范 → 精准控制风格
- Self-Correction → 让AI自己校订
- 结构化输出 → 降低不确定性
记住：写Prompt不是写代码，也不是说"黑话"——而是更有策略地"好好说话"。
📖 本文是MST「30天AI科普专栏」第17篇 / 共25篇 🔖 分类：实操技巧 关注MST，每天一个AI小知识，把大模型讲明白。