提示词工程

提示词的构成：角色、上下文、任务、约束与格式

一个由五部分组成的模板，适用于任何提示词和任何AI工具，能将回答质量从“一般般”提升到“切实有用”。文中包含完整示例、常见错误，以及至关重要的排列顺序。

差提示词与好提示词的区别（5组优化前后示例）

五个真实提示词，分别展示效果欠佳的版本和优化后的版本，并简要说明改动之处。无需学习任何术语，就能快速提升AI输出质量。

每位知识工作者都应掌握的十种提示词模式

十种可复用模式——不是一次性提示词，而是可反复套用的结构——足以覆盖绝大多数工作中的实际AI用途。记住它们，你就拥有了一整套提示词工程工具。

此主题下的更多内容

Write the Creative Brief Before You Prompt

Prompting without a brief is asking a fluent tool to invent your project for you. A short creative brief - audience, outcome, constraints, non-goals, and taste notes - turns AI into an executor of direction you already own.

Iterate Variants Without Losing the Direction

Variant generation is useful until it quietly replaces your thesis with whichever option looked shiniest. A direction-locked iteration method: freeze the brief, vary one axis at a time, and kill favorites that break the core claim.

Tutor-mode prompts: getting AI to ask questions instead of just answering

Left alone, a chatbot answers your question directly and completely, which feels efficient and teaches you very little. A small set of prompt patterns that make it hint, question, and withhold, so the productive struggle stays yours.

4 分钟阅读

Workshop Feedback Prompts for Makers

Unstructured 'be honest' prompts produce vague cheerleading or chaotic rewrites. A structured critique prompt pack for makers - clarity, structure, voice, risk - so AI workshop feedback stays useful without becoming a co-author.

Your AI agrees with you too much: four thinking-partner failures

AI can help you examine a decision, but it also inherits your framing, rewards confident prose, and quietly encourages you to outsource judgement. Here is how to catch each failure.

How to make AI disagree with you honestly

Five practical prompting patterns turn agreeable AI output into a more useful challenge—without pretending that a generated counterargument is evidence.

用AI做出更好的决策：框架、利弊分析与反方论证

只要不把AI当作答案机器，它就会成为出色的决策思辨伙伴。本工作流教你如何用AI做出更好的选择，并提供能迫使它提出异议、而非一味附和的提示词。

10 分钟阅读

思维链、自我批评、思维树——何时使用哪一种

三种能切实提升AI处理难题时输出质量的推理技术，以及使用它们的成本效益账。本文提供具体提示词、并列对比，并说明现代推理模型带来的注意事项。

12 分钟阅读

上下文工程：管理100万token的窗口，同时避免上下文退化

100万token的上下文窗口已经成为现实，但远未达到上限时，质量就会开始下降。上下文工程研究如何有效使用上下文窗口：该纳入什么、该总结什么、该实时检索什么，以及如何在上下文不断增长时维持高质量。

自定义指令与记忆：一次设置好你的AI

只花十分钟设置一次，以后就不必在每次与ChatGPT对话时重复介绍自己。这是一份实用指南，介绍各大AI工具的自定义指令、记忆和项目功能。

少样本提示：用示例教会AI

当你无法描述自己想要什么时，就展示给模型看。少样本提示——向模型提供2–3个输出风格示例——是获得一致、符合品牌风格的结果的最快方式。

AI如何生成答案：让提示词技巧豁然开朗的思维模型

AI的思考方式与你不同。它会根据上下文生成可能的后续内容。掌握这个通俗易懂的思维模型后，世界上所有提示词技巧都会更容易理解。

11 分钟阅读

多工具工作流：结合ChatGPT、Claude、Perplexity和Notion

大多数人使用一个AI工具来完成所有任务。中级用户则会使用四到五个工具——每个工具做它最擅长的部分。本文是一份关于构建多工具工作流的实用指南，这些工作流能够实现优势叠加。

10 分钟阅读

推理模型提示词工程（o3、R1、Claude扩展思考）

推理模型并不是增加了额外步骤的快速模型。它们适合不同的提示方式，会忽略一些传统模式，也有自身的陷阱。本文是一份关于如何用好推理模型的实用指南。

12 分钟阅读

如何在提示词、RAG与微调之间选择（以及何时组合）

提示词、RAG和微调是让LLM适应你的问题的三大手段。它们各有适用和不适用的问题。本文提供选择框架、各自的实际成本，以及组合使用时效果突出的生产模式。

12 分钟阅读

面向生产环境设计提示：系统、开发者和用户层

生产提示并不是“告诉AI你想要什么”。它们是一个分层系统——稳定指令、动态上下文、每次调用的变量——并像代码一样管理。本文介绍区分生产系统与原型的架构、模式和工程纪律。

11 分钟阅读

构建可复用的提示词库：从文本片段到共享模板

当你开始认真使用AI后，就会一遍遍编写同一类提示词。本文介绍一套构建、组织和共享提示词库的实用体系，包括要记录什么、如何进行版本管理，以及应使用哪些基础设施。

第一天就可以向ChatGPT提出的七类请求

空白输入框是最难跨过的一关。七个可直接复制的提示词，帮你在第一天就把空白对话变成真正的成果。

别只发一次提示词：迭代式对话法

平庸与优质AI输出之间最大的差距，在第一次回答之后才会出现。这套工作流程通过迭代把任何初稿变成真正可用的成稿，而不是每次都从头重写提示词。

借助AI写作，却不写出AI味

AI写作有一种独特的味道。认清它之后，你就能避免写出这种文字。本文介绍六个具体特征、六种修正方法，以及一套利用AI改善写作、却不会让文字与所有人雷同的工作流程。

20 分钟

20分钟学完Google的9小时AI提示词工程课程

Tina Huang. 这段视频浓缩讲解了Google的提示词工程课程，涵盖让提示词更清晰的框架、迭代方法，以及电子邮件、摘要和分析任务的完整示例。如果你想再次梳理这些结构化思路，并了解它们如何应用于工作日里实际遇到的任务，这段视频很有帮助。

提示词入门101｜Code w/ Claude

Anthropic. Anthropic Applied AI团队的两名成员针对一个真实的客户用例（分析瑞典汽车事故报告）逐步构建一条提示词。他们从一个效果不佳的单句提示词入手，逐层加入角色、任务背景、动态内容、示例和最后的强调。这是YouTube上最清楚地演示文章所述“角色+背景+任务+约束+格式”完整结构的视频，并且沿途也展示了各种失败模式。

42 分钟

提示词工程教程——掌握ChatGPT和LLM的回答

freeCodeCamp.org. 这门课程篇幅更长、节奏更从容，而它确实值得你投入这些时间。关于最佳实践、零样本与少样本提示，以及幻觉在提示词输出中如何呈现的章节，正适合你在理解文章中的五个示例后继续深入学习。

20 分钟

20分钟学完Google的9小时AI提示词工程课程

Tina Huang. Tina把Google官方Prompting Essentials课程浓缩为由五部分组成的TCREI结构（Task、Context、References、Evaluate、Iterate），并为每一部分提供完整示例。文章向你展示了五次改写，而这段视频会把Google向员工传授的具体方法交给你，让你无需照抄我们的示例，也能独立改写自己的提示词。

29 分钟

思维树：利用大语言模型进行审慎的问题求解（完整论文评述）

Yannic Kilcher. Yannic逐步讲解Princeton/DeepMind最初的Tree of Thoughts论文——生成、评分、剪枝、回溯循环；它为何能将“24点游戏”的准确率从4%提高到74%；以及这项技术在消耗10×token、得不偿失时的界限。它之所以实用，恰恰是因为它迫使你将ToT视为一种搜索算法，而不是神奇的提示词前缀。

提示词入门101｜Code w/ Claude

Anthropic. Anthropic Applied AI团队的两名成员现场构建一个真实提示词，逐步加入角色、结构化章节和明确的思考步骤。这是YouTube上最可信的“如何使用思维链而不将其仪式化”演示，也具体阐明了文章的观点：“不要再把‘让我们一步一步思考’粘贴到所有提示词中。”

22 分钟

面向智能体的上下文工程

LangChain. Lance Martin提出“写入、选择、压缩、隔离”框架，并用具体示例说明何时总结操作历史、何时将状态转存到文件，以及何时仅仅为了保护父智能体的上下文而启动子智能体。这几乎直接对应文章中关于如何在实践中管理1M-token窗口的章节。

8 分钟

上下文退化：输入令牌增加如何影响LLM性能

Chroma. Kelly Hong讲解Chroma对18个模型的研究：为什么大海捞针测试的分数会产生误导；性能如何随歧义和干扰项增加而下降；为什么即使是简单的字符串重复任务，也会在超过500个token后出现性能衰减。内容简短、以证据为基础，恰好说明了为什么在进入工程解决方案之前，你必须认真对待文章所讨论的问题。

131 分钟

我是如何使用LLM的

Andrej Karpathy. 跳到1:53:29的“ChatGPT记忆、自定义指令”章节。Karpathy展示了自己实际填写的自定义指令，讲解了他何时会要求ChatGPT记住某项信息、何时让它自动记录，并指出其中的权衡——相较大多数面向初学者的操作演示，这更贴近文章“有意识地一次设置好”的思路。

36 分钟

37分钟了解ChatGPT的全部功能

Tina Huang. 这段视频在全面介绍ChatGPT所有功能的过程中，逐步讲解个性化、记忆和自定义指令面板，这样的讲解角度很恰当——只有同时了解这些设置所影响的功能（项目、GPT、计划任务、语音等），它们才能真正发挥价值。观看时可以把它当作操作指南，并在另一个标签页中实际打开“设置→个性化”。

42 分钟

提示词工程教程——掌握ChatGPT和LLM的回答

freeCodeCamp.org. 跳到31:20的“零样本与少样本提示”章节，即可看到清晰的演示对比：同一个任务，一次不提供示例，另一次提供少量示例——这正是文章整章所围绕的对比。如果你刚读完文章，还不了解更广泛的背景，那么前面关于提示词思维方式和最佳实践的章节也很有帮助。

提示词入门101｜Code w/ Claude

Anthropic. 示例是Anthropic在这段视频中逐项讲解的十个要素之一，你可以看到他们将示例添加到真实的客户提示词中，并由此改变模型的输出。如果你想了解如何在完整的提示词中使用少样本方法，而不只是把它视为一项孤立技巧，这段视频会很有帮助。

3 分钟

构建OpenAI o1

OpenAI. o1团队用三分钟讲述模型在强化学习（RL）训练期间开始质疑自身推理的那个时刻。这是一手资料，可以佐证文章的观点：思维链如今发生在模型内部，而不是由你写入提示词。

28 分钟

o1究竟是怎么回事？为什么o1是第三种模型范式，以及你可能不知道的10件事

AI Explained. 这是最清晰、不炒作的讲解，说明o1（以及由此延伸的o3、R1和Claude extended thinking）为何在下一个token预测之上加入强化学习，以奖励正确的多步骤答案，以及这对你与模型沟通的方式意味着什么。看过它之后，文章中“不要再说‘一步一步思考’，而要开始编写规格”的建议就不会显得武断。

77 分钟

深入解析AI提示工程

Anthropic. 四位来自研究、对齐、应用和开发者关系领域的Anthropic提示工程师深入讨论实际的日常工作：如何在压力下修改提示，如何理解指令中的“诚实”，XML脚手架何时有用、何时无用。文章的分层模型与他们描述的工作方式高度吻合；这也是以口头讲解方式理解该思维模型的最佳材料。

提示入门｜Code with Claude

Anthropic. Anthropic应用AI团队围绕保险理赔提示开展实时构建：他们从一条模糊指令开始，逐步迭代为开发者真正可以发布的内容，展示文章所述系统层和开发者层的修改方式。建议先观看本视频，再重读文章中有关示例、输出结构和拒绝处理的检查清单。

10 分钟

我创作过的最好的ChatGPT提示词——我花了2个月整理这个用来编写提示词的提示词

Lawton Learns. 这是一个具体、可直接复制粘贴的C.R.A.F.T.元提示词（Context、Role、Action、Format、Target audience，即上下文、角色、行动、格式和目标受众），其理念正是文章所提倡的。它很适合作为新提示词库中的第一个条目——这个提示词的任务，是为其他所有人生成结构良好的提示词。

20 分钟

20分钟学完Google的9小时AI提示词工程课程

Tina Huang. Tina将Google完整的提示词课程浓缩为提示词库实际需要存储的两类内容：由任务、上下文、参考资料、评估和迭代组成的五部分框架，以及四种有明确名称、可随时间逐步完善提示词的迭代方法。她还讲解了智能体和思维链模式，因此当你日后向提示词库添加更高级的模板时，这段视频也可以作为入门起点。

131 分钟

我是如何使用LLM的

Andrej Karpathy. Karpathy介绍了自己日常如何实际使用ChatGPT、Claude、Gemini、Grok和Perplexity。他共享屏幕展示实时对话，而不是精心编排的一次性演示。你会看到他何时追加问题、何时在对话中途切换模型，以及何时放弃当前思路重新开始——这正是文章所述的迭代循环，而且示范者以构建这类系统为业。

9 分钟

只需8分钟，掌握完美的ChatGPT提示词公式

Jeff Su. 视频通过与文章相同的办公场景示例，如健身计划、简历和内部邮件，讲解由任务、上下文、范例、人设、格式和语气组成的六部分公式。请先观看这段视频；文章中的几乎每一种模式，都是对这六个组成部分之一的聚焦运用。

26 分钟

25分钟掌握所有必备AI技能（2025）

Tina Huang. 提示词章节（02:30–09:20）介绍了两套可以叠加使用的英语口诀：“tiny crabs ride enormous iguanas”（“小螃蟹骑着巨大的鬣蜥”；对应任务、上下文、参考资料、评估、迭代）和“ramen saves tragic idiots”（“拉面拯救悲惨的笨蛋”；对应回顾、拆分、尝试类比、引入约束）。它们与文章中的迭代和优化模式高度对应。当一次性提示公式无法达到目标时，这套方法会很有用。