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，让重要提示词更清晰、更易审核，也更便于改进。文中包含完整示例、常见错误和实用的排列顺序。

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。

日常知识工作的十种提示词模式

适用于起草、批评、分析、演练和结构化输出的十种可复用提示词结构，每类工作都配有验证习惯。

此主题下的更多内容

先写创意简报，再写提示词

没有简报就直接输入提示词，等于让一个善于表达的工具替你构思整个项目。一份涵盖受众、结果、约束、非目标和品味说明的简短创意简报，能让AI执行你已经确定的方向。

在迭代不同版本时守住创作方向

生成不同版本原本有助于探索，但也可能悄悄用最抢眼的选项取代创作主旨。这套锁定方向的迭代方法要求先固定创意简报，每次只调整一个维度，并淘汰那些看似出彩却破坏核心主张的方案。

4 分钟阅读

创作者工作坊反馈提示词

没有明确结构的“请诚实评价”提示词，得到的往往只是泛泛鼓励或杂乱改写。一套按清晰度、结构、个人表达和风险组织的创作者评议提示词，可以让AI工作坊反馈保持实用，而不会让AI变成合著者。

导师模式提示词：让AI提问而不是直接给答案

默认情况下，聊天机器人会直接、完整地回答问题，看似高效，却很难让你真正学会。一组简短的提示词模式，可以让它给出线索、提出问题并暂缓揭晓答案，把真正促进理解的思考过程留给你。

AI太容易附和你：思考伙伴的四种失效模式

AI可以帮助你审视决策，但也会沿用你设定的问题框架，把流畅自信的文字当作优点，并悄悄诱使你交出判断权。以下方法可以帮助你识别这四种失效模式。

如何让AI诚实地反对你

五种实用的提示方法，可以让一味附和的AI提出更有价值的质疑，同时避免把模型生成的反驳误当成证据。

用AI对决策进行压力测试：框架、权衡与反方论证

一套四步工作流：用AI澄清决策、生成替代方案、提出反方论证，同时明确保留不确定性和人的责任。

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：减少重复设置

设置稳定、不敏感的默认偏好和记忆控制，检查系统保留了什么，并在任务变化时纠正过时的上下文。

少样本提示：用示例引导输出

当文字说明仍留有解释空间时，向模型展示有代表性的输入输出示例，并测试它们能否提高你这项任务的一致性。

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AI工作流：设计可靠的跨工具交接

一套组合研究、文档依据、起草、评议、分析和存储的实用框架，同时保留来源、隐私和审核边界。

10 分钟阅读

选择推理模型并设计提示词

推理设置会影响质量、延迟、成本，有时也会改变提示方式。本文介绍如何依据评估而非经验之谈作出选择。

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

一种治理模式：分离可信指令、运行时数据和用户输入，再按风险对提示词进行版本管理、评估、部署和观测。

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

当同一项AI辅助任务反复出现时，提示词库可以让工作流更易复现和评估。本文介绍一套采集、测试、版本管理和共享模板的实用体系。

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

一套实用工作流程：通过批评、聚焦、转向、压力测试和验证，改进有潜力的首次回答，而不是默认从头开始。

借助AI写作，却不写出AI味

AI辅助草稿常会落入泛泛的表达模式。用六项编辑检查恢复具体性和节奏，但不要假装仅凭文风就能证明文字出自谁手。

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. 这段三分钟的第一方视频记录了OpenAI团队在发布时如何介绍o1。它有助于理解这一类别的历史，但不能证明当前模型的内部工作方式，也不能确定哪种提示模式最适合其他提供商或任务。

28 分钟

o1到底怎么回事？为何o1是第三种模型范式，以及你可能不知道的10件事

AI Explained. 视频独立解读了早期o1的定位及其对提示方式的影响。它具有历史参考价值，但不能把其中关于o1的说法自动扩展到后来的OpenAI模型、R1、Claude思考模式或其他提供商。

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：花两个月整理的提示词生成提示词

Lawton Learns. 视频演示了C.R.A.F.T.元提示词（Context、Role、Action、Format、Target audience）。它适合作为测试提示词生成器行为的候选方案，但不能保证输出始终一致、正确或适合团队用例。

20 分钟

20分钟学完Google的9小时AI提示词工程课程

Tina Huang. Tina介绍了一套由任务、上下文、参考资料、评估和迭代组成的五部分框架，以及四种有名称的迭代方法。这些要素可以帮助你起草候选模式，但智能体和思维链示例反映的是课程当时的背景。把提取出的模式加入获准提示词库前，应先用有代表性的案例进行测试。

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. 视频通过健身计划、简历和内部邮件等办公场景示例，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。这套简洁框架与文章中的多个模式相互对应。

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。