1. Prompt 不是“提示”是一种“促发”1.1 光看中文译名容易把 Prompt 用窄了Prompt 这个词在英文里有名词和动词两种用法。作名词是“提示、线索”作动词是“促使、推动”。很多教程把它翻译成“提示词”这个译法方便是方便但也埋了一个坑大家真把它当成“随便提示一下”的东西了。于是常见的画面就是“帮我写个方案。” “帮我总结一下这篇文章。” “写个脚本。”这种一句话指令扔给大模型模型当然也会回应但回应质量完全靠运气。因为它不知道你要什么方案、给谁看、有没有什么背景、格式要求是什么。它只能按照概率去“猜”你最可能想要的答案。用一个不精确的词说这叫“平均化输出”——看起来没错但放到你的场景里基本没法直接用。我在实际使用中越来越觉得Prompt 更像是你在向一个外包同事下达需求。你把需求讲清楚了对方才能交付可用的东西。讲不清楚对方只能按自己的理解乱来最后互相折磨。带着这个心态去写比背一百个“技巧”管用。1.2 一句话 Prompt 和四要素 Prompt 差在哪里先看两段对比。第一段是很多人习惯的写法“帮我写一个社区活动方案。”第二段是稍微组织了结构的写法“请给我一份社区活动方案草稿。活动主题是亲子市集时间是本周六下午地点在社区广场目标人群是带孩子的家庭预算 5000 元。方案里请包含签到流程、摊位安排、应急处理三个部分用表格输出每个部分不超过 100 字结尾注明需要额外准备的物料。”后者就是把 Prompt 拆成了四个部分任务、对象、依据、交付。任务是什么要做一份活动方案草稿。对象是谁给活动现场的筹备人员看而不是给物业公司或赞助商看。依据有哪些活动主题、时间、地点、人群、预算。交付格式是什么表格、每项不超 100 字、附物料清单。四个部分一旦齐全模型的输出质量会立刻上一个大台阶。这本质上不是玄学而是信息量变大了模型可以猜测的空间变小了它只能照着你的约束走。所以这篇文章想讲透一件事与其满世界搜各种复杂模板不如先把这四个要素练熟。我用这个框架写了快两年 Prompt到现在给新同事讲的时候还是拿它当底子。2. 把任务、对象、依据、交付拆开说2.1 先说“任务”动词不清晰AI 就开始瞎猜任务要素是四要素里的地基。它要回答的问题是你到底想让 AI 做什么动作产出什么结果。很多人写任务的时候只扔一个动词比如“分析一下”“介绍一下”“生成一个”。问题是这种动词太宽泛模型不知道“分析”需要分析到哪个深度、“介绍”是介绍给谁听、“生成”要生成什么格式。结果自然就是模板化的“您好以下是……”。我自己的习惯是任务里必须包含“动作 产出物 完成标准”。举个直观对比。弱版本是“帮我分析一下这几个月的销售数据。”强版本是“请根据附件中 1 到 3 月的销售明细找出销售额连续下降的产品线列出前三条并说明下降的可能原因按影响程度排序。”后者的“动作”是找出来、列出、说明、排序“产出物”是前三名列表“完成标准”是按影响程度排序。另外如果任务里其实包含了好几个步骤不要用一句话糊弄过去。可以用编号把它拆开提取 1 到 3 月各产品线销售额计算环比变化找出连续三个月下滑的线按下滑幅度排序并给出原因。把步骤一条条列出来之后模型在执行时就不容易漏环节。我试过很多次任务步骤越结构化输出就越接近“可以直接检查的草稿”而不是“又要我重新组织一遍的素材”。2.2 “对象”别让 AI 猜它该扮演谁、面对谁对象要素往往被忽略但它决定了整个输出的语气、深度甚至术语体系。对象其实有两层。第一层是“AI 该以什么角色来做这件事”。你在 Prompt 里明确写“你是一位有十年经验的儿科医生”“你是资深财务分析师”“你是给新人做培训的运营老手”模型输出的立场和用词会明显不一样。为什么因为大模型在训练时看过大量不同身份的人写的文本你给一个人设它就会去匹配对应的表达分布。第二层是“内容要给谁看”。同样讲咖啡店面对顾客和面对供应商写出来的东西完全不是一回事。面对顾客你会写风味、环境、适合什么场景面对供应商你会写订货量、包装规格、结算周期。所以写 Prompt 时把“读者/使用对象”也顺手写进去比如“这段话是给完全没有编程基础的同事看的请避免术语用大白话解释。”有时候这个要素甚至比任务还关键。我遇到过很多次任务写得很明确但忘了写受众模型自动默认成“面向通用大众”的口吻出来的内容放在工作群里立刻显得不搭。如果一开始就写清楚受众这个问题可以完全避免。2.3 “依据”喂给 AI 的材料比让它“发明”靠谱依据要素是四要素里最容易被新手跳过的一环。具体说它包含三类东西背景资料、约束条件、参考案例。背景资料是你手头已有的信息比如文档内容、数据、对话记录。大模型的知识截止日期是固定的它不可能“知道”你公司内部的情况也不可能知道你这周刚发生的事。所以凡是事实、数据、内部信息都应该直接贴进 Prompt别指望它自己查。这里有个判断标准如果你问的问题换个完全没背景的人也能凭常识回答那不贴材料也行但只要涉及具体数据或专有事件务必把材料贴进去。否则模型就会现场编一段看起来合理但无法验证的东西你还得花时间核对得不偿失。约束条件也很好理解。预算、时间、篇幅、禁用事项都属于这类。比如“不使用营销黑话”“不包含未经确认的数据”“输出段落不要超过五段”。写约束条件的价值在于它能把模型的发挥空间框在你可接受的范围里。参考案例则相当于“按这个风格来”。你想让它模仿某类写法直接给它一小段样例它复刻起来比任何形容词都精准。我自己写文案类 Prompt 时一定会附上一段以前觉得满意的文案作为风格锚点。实际操作中依据要素的信息密度是四要素里最大的也是最值得花时间准备的部分。准备得越充分模型的输出越“靠谱”而且越不容易胡编。2.4 “交付”格式即体验细节决定输出可用性很多人的 Prompt 写得差不多了就差最后一句“交付要求”然后模型就给他一段不分段的长文。你还要自己重新排版、按条理拆分、寻找重点这等于把本该模型干的活揽回自己身上。交付要素管的是输出长什么样、多长、什么结构。常见的交付要求包括格式表格、列表、代码块、JSON、纯文本长度字数上限、条目数、段落数语气正式、口语化、热情、克制结构先结论后展开还是按时间顺序展开附加说明结尾是否需要标注待确认事项是否需要给出来源。我通常还会加一条“如果信息不足请明确指出不要强行编造”。这一条特别有用它能引导模型摆出未知项而不是圆一个逻辑闭合但内容错误的答案。另外交付不一定非要在最后才写。遇到特别复杂的任务我会把交付分成两轮第一轮先让模型写大纲我确认结构没问题之后第二轮再让它按大纲展开。这样比一口气生成几千字再回头改要省事得多。这个习惯也推荐你试试尤其是处理长文写作或者多模块方案时体验差异非常明显。表四要素的关键问题要素要回答的问题没写清楚的后果任务要让 AI 做什么动作、产出什么输出平均化不贴合需求对象谁来产出的视角、内容给谁看语气和深浅完全飘移依据有哪些材料、约束、参考模型靠猜容易出现编造交付输出格式、长度、语气、结构拿到的内容需要大量二次加工3. 热搜词背后的三个真实问题拦截、闪退、模板迷信3.1 invalid prompt你的输入被系统拦住了为什么经常能看到有人报错“invalid prompt”或者类似“your prompt was flagged as potentially violating our usage policy”的提示。这个报错在中文圈里常被当作一个没有感情的“系统拒绝”但只要拆开看原因并没有那么神秘。主流大模型服务在输入和输出两侧都会放一层安全过滤机制目的是防止内容出界。这一层机制是概率模型做的它会把文本拆开判断有没有触发某些特征。触发它不一定是你的文本真正出了界有时候只是某个词和历史数据里的负面样本撞了车或者一段话整体语义让它觉得危险。实操中我遇到过的触发点大概分三种。一是文本里包含攻击性、自我伤害或违法相关的内容。二是文本包含大量负向词比如很多人在 Prompt 里写“不要写暴力内容、不要提违法信息”这种写法反而会把负向词喂给过滤器。三是格式异常比如超长乱码、一堆特殊符号连排、意料之外的 URL 混入也会让过滤器误判。对应的处理方式很直接把负向要求改成正向要求。与其说“不要写成广告腔”不如直接说“用平实的叙述语气写”检查有没有冗余的 URL、链接、奇怪符号清理掉再发送如果整段都在被拦把它拆成两三段逐段试定位到具体是哪一句触发换一个句式重新表述很多情况只是表述本身引起了误判不代表这个需求有问题。碰到这类报错先别慌绝大多数都不是你的需求有问题而是措辞撞上了过滤器。调整一下描述方式基本都能解决。3.2 prompt 闪退多半不是模型变笨了而是上下文爆了另一个高频热词是“prompt 闪退”。这里的“闪退”其实不一定指软件程序崩溃更多时候指的是发完 Prompt 之后应用转圈半天然后报错或者整个会话无法继续。真正的原因绝大多数和“上下文窗口被撑满”有关。大模型的输入和输出都以 token 为单位计数。一个 token 不是“一个字”一段中文文本里一个汉字大约占 1 到 2 个 token英文一个单词约 1 个 token。对话窗口是有限的一旦你的历史消息加当前 Prompt 加即将生成的回复累加超过上限就会触发超限报错。很多人遇到闪退的第一反应是“模型服务不稳定”但转头看一下自己的对话可能已经来回聊了几十轮每轮还都带着一大段长文。上下文早就在临界边缘了。尤其是开了联网搜索或长文档摘要功能中间对象塞进去的临时内容也会占用大量空间。要在正常使用中尽量避免这个问题我的习惯是三条开启新对话。新话题不要硬续在老会话里老会话的每一条历史消息都会占 token长文档不要整篇粘贴。可以先让模型读摘要或分段喂入不然一上来就超出上下文需要长期参考的资料优先放进可检索的知识库或外挂存储而不是每次复制粘贴进 Prompt。另外如果你发现某次 Prompt 一发送就报错而之前的对话都能正常响应可以优先怀疑是上下文过长而不是模型本身出了问题。换一个新对话窗口把同样的 Prompt 直接发一次往往就好了。3.3 复杂模板不是万能咒语伴随 Prompt 概念的普及市面上出现了大量“prompt optimizer”工具和几百行的高级模板。这些工具确实能帮忙整理措辞但一个容易被忽略的事实是模板的目的是帮你想清楚而不是帮你绕开思考。有些模板动辄几十条角色设定看完整个 Prompt 我仍然不知道它想让模型具体干什么。这种模板属于装饰性模板它看起来很专业但并没有把任务、对象、依据、交付说清楚。我自己拆过几个流行的“万能提示词”发现核心可用信息其实就那么两三行剩下的都是绕来绕去的身份修饰。判断一个模板适不适合你有个很简单的检查法把模板里的每一行拿出来问一句“删掉它输出会不会变差”。如果不会变差那它就是噪音。真正好用的模板一定是有取舍的也就是我前面说的四要素都在里面并且没有一句空话。你完全可以拿现成模板当起点但一定要把它改成自己的版本。改的过程中你才会慢慢理解每一句话的作用是什么哪些是场景相关的哪些是必须保留的。工具只是帮你少走弯路但那条路你得自己走过去。4. 再说两个底层机制KV Cache 与 Lost in Middle4.1 为什么模型总记不住中间的内容如果你经常让模型处理长文本可能会发现一个规律它对你开头说的信息和结尾说的信息记得比较清楚对夹在中间的内容经常“选择性失忆”。这其实不是错觉业内管这个现象叫 Lost in Middle中间丢失。之所以会出现这个现象和 Transformer 模型的注意力机制有关。模型在处理文本时并不是全程均匀地关注每一个字符。相对而言它会对开头位置投入更多注意力因为开头是“背景设定的起点”也会对结尾投入更多注意力因为结尾是“最近看到的信息”。而中间夹的内容注意力会被明显稀释就像你读一封很长的邮件通常对开头的问候和结尾的要求记得最清中间夹的那五段正文反而模糊。这给写 Prompt 带来的启发非常直接重要信息要放在开头和结尾两个位置。核心任务、角色设定这些东西放到 Prompt 开头交付格式、禁忌事项放到 Prompt 结尾。中间的段落用来放参考材料、约束条件等相对次要的内容就算模型理解得弱一点也不至于影响最终结果。如果有一条约束条件特别重要不能漏我的做法是开头提一遍结尾再强调一遍。比如开头写“严格遵守预算 5000 元以内”结尾再写“请再检查一次所有方案支出是否控制在 5000 元预算内”。用两次出现换取注意力覆盖实测对稳定有奇效。还有一个衍生建议是长 Prompt 本身也是长文本也存在 Lost in Middle。也就是说你写给模型的指令如果太长模型自己对你的要求也会“中间丢失”。所以不要一股脑写两千字的超长 Prompt而是把信息按重要性排好序把最能决定成败的信息放在最关键的位置上。4.2 KV Cache 是什么为什么 Prompt 也有缓存再聊一个更进阶的话题KV Cache。先说结论KV Cache 是一种加速手段。模型在生成文本时每生成一个新的 token都要参考历史所有 token 的注意力信息。如果不做缓存每生成一个字都得把所有历史内容重新算一遍成本高得离谱。KV Cache 把已经计算过的历史 token 的 Key 和 Value 保留下来后续生成时直接复用从而大幅节省计算时间。和 Prompt 相关的是现在很多推理服务对前缀相同的 Prompt 会做缓存命中。也就是说如果你连续多次请求都带着同一段开头服务端可以直接复用这段开头的计算结果不必从头再算。理解这个机制之后有两个实操建议。一是把不变的公共前缀放在 Prompt 最前面。比如你的一套固定开头是“你是一名资深数据分析师请基于以下背景回答我的问题回答时要先给结论再展开”那这段内容每次都原样保留不要改动标点或词序改动多了缓存就命中不了了。二是把变化的参数放在 Prompt 的后面。比如每次调整的问题是“请计算 A 和 B 的相关性”每次只改这个片段就好前面的固定部分会继续命中缓存。反复调试时这种写法既省时间也能让你对比结果时更容易定位差异。不过有一点要分清KV Cache 和“Prompt 作为输入文本的上下文记忆”是两回事。前者是推理引擎的加速机制用户不需要手动控制后者是模型对话时携带的全部历史信息真正影响你每次交互的内容范围。平时讨论“Prompt 太长了”“上下文不够用”指的一般是后者。了解这些底层机制不是为了让你去调模型源码而在于更理解模型的行为边界。知道模型会怎么读你的 Prompt知道系统在背后怎么处理你的输入你写 Prompt 的时候就会有一种“顺着模型的脾气来”的直觉而不是每次出问题都靠猜。5. 可以直接抄走的 Prompt 模板与自查清单5.1 一套四要素填空模板下面我放一个自己一直在用的通用模板结构很简单去掉所有花哨的角色堆叠直接对着填空就可以你是【角色】。 任务请【动词】并产出【产出物】。 背景依据【必要的材料、数据、约束条件最多列 5 条】。 对象/读者【内容给谁看或者模拟什么场景】。 交付要求 - 格式【表格/列表/段落/JSON/代码块】 - 长度控制在【字数或条数】 - 语气【正式/轻松/口语化】 - 先给结论再展开不要遗漏任务中列出的步骤。 - 如果信息不足请明确说明不要编造。这个模板最核心的两点一是键值对清晰稍微有一点点阅读代码经验的人都能看懂二是把所有信息分成了模型最容易理解的几个字段不会揉成一堆绕弯子的话。用同样的逻辑填一遍前面亲子市集的例子你会得到你是社区活动策划。 任务产出一份亲子市集活动方案草稿。 背景依据 1. 时间本周六下午 2. 地点社区广场 3. 目标人群带孩子的社区家庭 4. 预算5000 元 对象/读者活动筹备组同事需要照着清单执行。 交付要求 - 格式表格 - 三个部分签到流程、摊位安排、应急处理 - 每个部分不超过 100 字 - 结尾列出额外需要考虑的物料 - 信息不足时请直接指出我自己给不同团队做 Prompt 分享时给这个模板取的代号是“填空式 Prompt”。名字不重要重点是它确实能覆盖大多数日常需求。5.2 三种常见场景的速查变体通用模板能覆盖日常但不同场景下的侧重还是略有不同。这里列三种我实际用得最多的场景你可以对照调整。表三种场景的 Prompt 侧重场景重点要素典型写法学习/理解类依据 交付用大白话解释给一个生活案例最后让我用自己的话复述并检查写文案/做内容对象 交付明确读者是谁给出语气参考和长度限制提供一段风格样例写代码/排查 bug任务 依据给出技术栈、运行环境、错误信息、输入输出示例明确边界情况学习类的场景核心诉求往往是“别绕术语”。所以我会在交付里额外加一句“如果我要向朋友转述请用我能直接复述的口吻写”。写文案的时候“对象”要素的权重最大我会在背景里直接写“读者是 35 岁左右的宝妈她们最关心的是安全性和性价比不关心原料工艺的学术细节”。而写代码相关的 Prompt我会把错误信息和运行环境原样贴进去而不是转述一遍减少信息损耗。三种场景的共性依然是四要素只是权重不同。把这个权重关系想明白了比背下来十个具体模板管用得多。5.3 发送前两分钟用五个问题自查写好的 Prompt 不要着急发先花两分钟过一遍这五个问题。这是我用了一个很笨但有效的方法把四要素变成五个确认项每次写完照着查。任务动词是否明确能不能再具体一点比如从“分析”改成“找出前三名并解释原因”。对象是否清楚AI 现在知道自己是站在什么身份、内容给谁看了吗依据是否充分材料、数据、约束条件还缺不缺关键信息如果模型现在手上只有我们给的这些内容够不够完成这个任务交付格式说了吗表格、列表、代码块、字数限制、语气哪一个还没有写有没有把最重要的要求放在开头和结尾如果任务很复杂会不会存在中间信息被模型忽略的风险最后五分钟的经验是写完 Prompt 之后自己默读一遍然后问自己“如果我是一个完全没上下文的人能不能只靠这句话就知道该输出什么”。如果答案是“可能不行”那就继续改直到这句话自己也能看懂为止。我自己也经历过一个阶段看到一个好模板就收藏收藏了一堆真到用时一个都想不起来。后来扔掉所有花架子只留下这个填空结构和五问自查写 Prompt 的速度和输出质量反而都上来了。把每次写 Prompt 当成写一份需求文档把 AI 想象成一个外包同事把你自己想象成那个要解释需求的人——你心里越清楚要什么对方的输出就越接近你要的东西。这个道理说起来简单但做到位的人不多。少一点玄学多一点把话说清楚的基本功Prompt 这件事也就这么回事了。