分享几个大模型提示词实战技巧

很多人用AI像在发微信，随手扔一句“帮我写个方案”或者“改这段代码”，结果出来的东西一股子“AI味”，空洞且泛泛。其实模型没问题，问题出在结构上。我试过很多次，同样的任务，换个Prompt结构，Claude和GPT的输出质量完全是两个量级。

把这些技巧分成了几类，大家可以直接拿去实操：

一、基础增强（解决“输出太水”的问题）

• 角色设定：别只说“你是专家”，要具体到“你是一个有10年经验、专门负责金融风控的后端架构师”。设定越细，它的用词深度和假设前提就越专业。
• Few-Shot（少样本提示）：给它2-3个“输入-输出”的例子。AI本质是模式识别机器，给例子比写一百行指令有效得多。
• 思维链 (CoT)：强制它“step by step”思考。处理逻辑复杂或数学题时，这招能显著降低幻觉。

二、进阶推理（处理复杂逻辑）

• Tree-of-Thought (ToT)：让模型针对一个问题发散出几个不同的解决路径，然后自我评估哪个最可行，最后给出最优解。适合做策略规划。
• 反向提示 (Reverse Prompting)：把你觉得写得极好的AI内容喂给它，问它：“如果要生成这段内容，应该怎么写提示词？”这是快速构建自己Prompt库的捷径。

三、输出控制（解决“格式乱”的问题）

• 约束提示：直接给硬性指标。比如“禁止使用‘总之’‘综上所述’等词汇”、“阅读水平设定为初中生”、“字数严格控制在200字内”。
• 格式指定：明确要求输出JSON、Markdown表格或特定的代码结构。

这里分享一个我常用的角色+约束组合模版，大家可以参考：

# Role: [具体专家身份]
# Background: [任务的具体背景和目标]
# Constraints: 
- 禁用词：[列出不想要的词]
- 语气：[如：尖锐、客观、极简]
- 格式：[如：分点陈述，每点不超过30字]
# Workflow:
1. 分析用户输入的核心需求
2. 检索相关知识点
3. 按照上述约束输出最终答案

实测下来，Claude 3.5 Sonnet 对复杂指令的遵循能力最强，GPT-4o 在通用任务上很稳，而 DeepSeek 在处理逻辑推理类 Prompt 时性价比极高。建议根据场景切换模型，别死磕一个。