提示词工程：如何通过结构化输入榨干大模型的性能

想要榨干性能，最核心的逻辑是结构化（Structuring）。不要用一段话把要求全部堆在一起，而要给模型建立一套“认知框架”。我习惯用 角色定义 + 任务目标 + 限制条件 + 输出格式 这种模块化写法。这样写的好处是，模型在处理时能迅速定位到每个指令的优先级，不会因为上下文太长而“失忆”。

分享一个我最近在处理复杂文案分析时一直在用的结构化模板，大家可以直接套用：

# Role: 资深商业分析师
# Goals: 将冗长的会议纪要转化为具备可执行性的行动清单，并挖掘潜在风险。

# Constraints:
- 剔除所有礼貌性客套话，只保留实质性信息。
- 每一个行动项必须包含：责任人、截止日期、具体交付物。
- 风险点必须基于文中提到的具体矛盾，禁止凭空猜测。

# Workflow:
1. 扫描全文，提取所有包含“决定”、“需要”、“负责”的句子。
2. 对提取的内容进行去重和逻辑归类。
3. 按照 [行动清单] 和 [风险预警] 两个模块输出。

# Output Format:
- 行动清单：使用加粗列表，格式为【事项】- 责任人 - 时间。
- 风险预警：使用引用块，简述风险及潜在影响。

这个 Prompt 为什么有效？因为它在潜意识里强行改变了模型的预测路径。

第一，通过 # 标签建立了层级。模型对 Markdown 标题的敏感度很高，这让它意识到这是一个指令集而非随意聊天。
第二，Workflow 强制了思维链（CoT）。我没有直接让它“总结”，而是告诉它先扫描、再去重、最后输出。这让模型在生成答案前先进行内部处理，极大地降低了幻觉率。
第三，限制条件极具体。比起说“简洁一点”，说“剔除礼貌性客套话”能给模型提供一个明确的过滤标准。

实际运行效果非常明显。同样的会议纪要，普通对话模式给我的结果是像摘要一样的段落，看完还得自己筛选；而用这个结构化 Prompt，出来的结果直接就是一张可以直接发到群里的待办清单，准确率提升了至少 40%。

如果你觉得模型不够聪明，先别急着换模型，试着把你的要求像写代码一样拆解成模块，效果往往会让你惊讶。