很多人把提示词想象成某种神秘咒语，似乎只要找到一句万能表达，模型就会突然变聪明。实际情况更朴素：提示词的本质，是把工作交代清楚。
先定义结果，而不是堆砌形容词
“写得专业一点”通常不够，因为专业可能意味着术语更多，也可能意味着结构严谨。更好的方式是描述可观察的结果：
请为没有技术背景的产品经理写一份 800 字说明，解释向量数据库的用途。使用三个小标题、一个生活化类比，并在结尾列出两种不适合使用它的场景。
这段指令明确了受众、长度、主题、结构和边界，模型更容易稳定完成。
一个实用的五部分结构
- 背景：为什么要做这件事，已有材料是什么。
- 任务：具体需要模型完成什么动作。
- 约束：长度、语气、禁用内容、技术限制。
- 输出格式：表格、清单、JSON、文章或代码。
- 验收标准：怎样才算完成，重点检查什么。
不是每次都要写满五项，但任务越复杂，越值得补齐这些信息。
给资料，比要求“更准确”有效
模型无法凭空知道你的业务背景。与其反复强调“不要出错”，不如提供原始文档、数据字段、代码片段和真实示例。上下文质量通常比措辞技巧更重要。
如果资料很多，可以先让模型总结事实和缺口，再开始正式任务。这相当于先对齐工作台，再动手生产。
复杂任务要拆成循环
一次要求模型完成调研、设计、写作和审校，往往会让每一步都变浅。更稳妥的流程是：
- 先澄清目标和未知信息。
- 生成方案或提纲。
- 选择方向后产出初稿。
- 按明确标准自检。
- 针对问题局部修改。
提示词不是一张订单，更像持续协作中的工作记录。
让模型暴露不确定性
可以明确要求：“缺少信息时先提问；无法确认的事实标记为待核验；不要编造链接或数据。”这不能完全消除错误，但能明显改善答案的诚实度。
少扮演角色，多提供标准
“你是一位世界顶级专家”有时能改变语气，却无法替代真实要求。与其堆叠角色，不如说明采用什么框架、面向谁、引用哪些材料、避开什么错误。
好提示词不是让模型猜中你的心思，而是减少它必须猜测的部分。
最后检查三件事
- 模型是否知道最终交付物是什么？
- 它是否拥有完成任务所需的上下文？
- 输出是否有明确的质量标准和格式？
当这三件事清楚后，提示词通常不需要华丽。清楚本身就是最强的技巧。
写作的价值，不是给变化下一个永久结论，而是留下此刻足够诚实的理解。