1. 为什么收藏夹里的提示词永远用不上我自己的提示词收藏夹里躺着三百多条内容从“让AI写出爆款文案”到“一键生成产品原型图”分类标签打了十几个。但真实情况是每次打开对话框脑子里蹦出来的还是那句“帮我写个东西”然后对着输出结果皱眉再改再试来回折腾半小时最后关掉窗口自己去写了。这不是我一个人的问题。我观察过身边大量用AI干活的人包括写代码的、做设计的、搞运营的几乎都经历过这个阶段疯狂收藏提示词觉得每一条都是宝藏但真到用的时候一条都想不起来或者生搬硬套之后发现效果完全不对。问题出在哪儿出在我们把提示词当成了“咒语”以为复制粘贴就能召唤神龙但实际上提示词是一套沟通结构你背再多例句不如理解它为什么这样组织。那个所谓的“万能公式”其实不是什么神秘代码而是一个把角色、任务、约束、格式四个要素串起来的思考框架。你收藏的84条提示词每一条都是这个公式在特定场景下的变体。背下公式你就能自己生成那84条甚至840条。这篇文章我就把这个公式拆开揉碎从底层逻辑讲到实操细节再配上我踩过的坑和调试技巧让你看完就能扔掉收藏夹自己写出管用的提示词。2. 万能公式的底层结构拆解2.1 公式的四个核心模块先把这个公式亮出来它长这样角色设定 任务描述 约束条件 输出格式 可复用的提示词框架看起来简单得有点过分对吧但恰恰是这种简单让它能覆盖绝大多数场景。我逐个拆解每个模块到底在干什么。角色设定解决的是“谁来说”的问题。你让AI扮演一个资深Python工程师和让它扮演一个刚入门的编程爱好者输出的代码质量和注释风格完全不同。角色设定本质上是在调用模型训练数据中某个特定领域的分布把它“聚焦”到你需要的那一片区域。我实测下来角色设定对输出质量的影响大概占30%左右尤其是专业领域没有角色设定的输出往往泛泛而谈。任务描述是核心它回答“做什么”。但这里有个关键点任务描述要具体到动作层面而不是停留在目标层面。说“帮我优化这段代码”是目标层面说“找出这段代码中的性能瓶颈用时间复杂度更低的算法替换并解释替换前后的差异”才是动作层面。我见过太多人卡在这一步写出来的任务描述自己都没想清楚要什么AI当然给不出好东西。约束条件是大多数人忽略但极其重要的部分。它回答“不能做什么”和“必须满足什么”。比如“不要使用第三方库”、“输出必须控制在200字以内”、“代码需要兼容Python 3.8”。约束条件的作用是收窄解空间让AI的输出更精准。没有约束AI会倾向于给出“平均正确但不够针对性”的答案。输出格式回答“怎么呈现”。是Markdown表格、JSON、纯文本段落还是带注释的代码块格式指定得越明确你后续的处理成本越低。我经常看到有人让AI输出结构化数据结果得到一大段散文然后自己手动整理纯属给自己找活干。2.2 为什么这个顺序不能乱四个模块的顺序是有讲究的。角色设定放最前面是因为它影响模型对整个对话的“基调”判断。你先把角色立住后面的任务和约束都会在这个角色的语境下被理解。任务描述紧随其后因为它是核心指令需要最突出的位置。约束条件放在任务之后是对任务的补充说明。输出格式放最后作为收尾指令告诉模型“以什么姿态交付”。我试过把顺序打乱比如先写任务再写角色输出质量明显下降。模型在处理长提示词时前面的内容权重更高角色设定前置能确保它贯穿整个生成过程。这个细节很多教程不会讲但你实际对比一下就能感受到差异。2.3 公式的变体与适配这个公式不是死板的四段式根据场景可以灵活调整。比如做创意类任务时角色设定可以弱化约束条件可以放宽但任务描述和输出格式必须保留。做技术类任务时角色设定和约束条件要加重输出格式反而可以灵活一些。我常用的一个变体是“角色任务示例格式”把约束条件换成示例。给一个输入输出的例子比写三条约束都管用。比如让AI做数据提取我直接给一条“输入张三28岁北京输出{name: 张三, age: 28, city: 北京}”它立刻就能理解我要什么格式比写“请输出JSON格式包含name、age、city字段”更直观。3. 每个模块的实操细节与避坑指南3.1 角色设定越具体越好但别编造角色设定最常见的错误是太泛。“你是一个AI助手”等于没写。“你是一个资深文案”稍微好一点但还是不够。“你是一个有5年经验的小红书美妆博主擅长用口语化表达推荐产品粉丝画像以18-25岁女性为主”——这种颗粒度才能让模型真正进入状态。但这里有个坑不要编造不存在的角色。比如“你是一个获得过诺贝尔奖的物理学家”模型训练数据里没有这个具体人物的信息它只能泛化处理效果反而不如“你是一个理论物理学博士擅长用通俗语言解释复杂概念”。角色设定的目的是激活模型已有的知识分布不是让它角色扮演一个虚构身份。我自己的习惯是角色设定里包含三个要素领域经验年限风格特征。比如“资深后端工程师8年经验擅长用类比解释技术概念回答时先给结论再展开”。这样写出来的角色既有专业深度又有表达风格输出质量稳定很多。3.2 任务描述动词要精确目标要可验证任务描述里最值钱的是动词。“优化”不如“重写”“分析”不如“列出三个问题并给出修复方案”“写一段代码”不如“实现一个函数输入是用户ID列表输出是每个用户的订单总数用字典返回”。我总结了一个动词替换表把模糊动词换成精确动词模糊动词精确替换效果差异优化重写、精简、加速、降内存明确优化方向分析列出问题、对比差异、找出瓶颈输出可验证写代码实现函数、补全类、修复bug范围清晰总结提取要点、压缩到N字、按主题分类格式可控还有一个技巧在任务描述里加入验收标准。比如“输出的代码必须能直接运行不能有未定义的变量”、“总结必须包含至少三个具体数据点”。这相当于给AI一个自检清单它生成的时候会主动对齐这些标准。3.3 约束条件写“不要什么”比写“要什么”更有效约束条件我一般分三类内容约束、格式约束、风格约束。内容约束是“不要出现什么”。比如“不要使用专业术语”、“不要引用具体品牌”、“不要给出法律建议”。这类约束能有效防止AI跑偏。我做过测试同样一个任务加了“不要使用被动语态”之后输出的可读性明显提升。格式约束是“必须满足什么结构”。比如“每个要点不超过两行”、“用表格呈现对比”、“代码块标注语言类型”。格式约束越细后续处理越省事。风格约束是“用什么语气”。比如“用口语化表达像朋友聊天”、“保持正式适合商务邮件”、“用类比解释让非技术人员也能看懂”。风格约束对输出质量的影响很大但很多人不写结果得到一堆“首先、其次、最后”的八股文。注意约束条件不要超过5条。超过5条之后模型会开始“遗忘”前面的约束或者为了满足所有约束而牺牲输出质量。如果确实有很多约束拆成多轮对话每轮聚焦几个。3.4 输出格式给模板比给描述更高效输出格式这块我最推荐的方式是直接给模板。不要写“请输出JSON格式”而是写{ name: 用户姓名, age: 0, tags: [标签1, 标签2] }模型看到这个模板立刻就知道字段名、数据类型、嵌套结构。比任何文字描述都管用。如果输出是文本给一个示例段落也比描述格式更有效。比如“输出格式参考这款产品的核心优势是续航实测连续使用8小时还剩30%电量适合经常出差的用户。”模型会模仿这个句式和信息密度。我踩过的一个坑是输出格式写得太复杂要求同时包含表格、列表和代码块结果模型顾此失彼每个部分都做得潦草。后来我改成一次只要求一种主要格式需要多种格式就分多次生成质量反而更高。4. 从公式到实战三个场景的完整拆解4.1 场景一让AI写出可直接用的代码假设我要让AI帮我写一个Python函数功能是“从一段文本中提取所有邮箱地址”。用万能公式来组织角色设定资深Python开发工程师擅长写健壮的生产级代码注重边界条件处理。任务描述实现一个函数extract_emails(text: str) - list[str]从输入文本中提取所有邮箱地址返回去重后的列表保持首次出现的顺序。约束条件不使用第三方库只用标准库处理None输入返回空列表邮箱正则要覆盖常见格式不追求RFC完全合规函数需要包含docstring和类型注解输出格式完整代码块标注python代码后附一段简短说明解释正则的设计思路。我实际跑下来的输出是这样的import re def extract_emails(text: str) - list[str]: 从文本中提取所有邮箱地址去重并保持首次出现顺序。 Args: text: 输入文本可能为None Returns: 去重后的邮箱列表输入为None时返回空列表 if text is None: return [] pattern r[a-zA-Z0-9._%-][a-zA-Z0-9.-]\.[a-zA-Z]{2,} emails re.findall(pattern, text) seen set() result [] for email in emails: if email not in seen: seen.add(email) result.append(email) return result这段代码直接能用边界条件也处理了。如果我只写“帮我写个提取邮箱的函数”大概率会得到一个没有类型注解、不处理None、可能用第三方库的版本我还得自己改半天。4.2 场景二让AI做结构化信息提取这个场景特别适合用万能公式因为信息提取对格式要求极高。假设我有一段产品评论要提取“优点、缺点、评分、推荐意愿”四个字段。角色设定数据分析师擅长从非结构化文本中提取结构化信息。任务描述从以下评论中提取四个字段优点列表、缺点列表、评分1-5整数、是否推荐布尔值。约束条件优点和缺点各不超过3条每条不超过15字评分必须基于评论内容推断不能编造如果评论中没有明确提到缺点缺点字段返回空列表输出格式JSON字段名用英文值用中文。{ pros: [优点1, 优点2], cons: [缺点1], rating: 4, recommend: true }评论内容“这款耳机音质真的没话说低音下沉很足戴久了耳朵也不疼。但是降噪效果一般在地铁上还是能听到报站声。整体来说这个价位很值会推荐给朋友。”输出结果{ pros: [音质好, 佩戴舒适], cons: [降噪一般], rating: 4, recommend: true }这个输出直接可以入库或者做后续分析。如果不用公式AI可能会返回一段“根据评论这款耳机音质不错佩戴也舒适但降噪效果一般……”的散文我还得自己解析。4.3 场景三让AI做创意内容生成创意类任务看起来和公式不搭但其实公式同样适用只是侧重点不同。假设我要让AI生成10条小红书风格的护肤品文案标题。角色设定小红书美妆博主粉丝50万擅长写“痛点解决方案”型标题语气亲切但不夸张。任务描述为一款主打“熬夜修复”的精华液生成10条标题每条标题包含一个熬夜场景和一个效果承诺。约束条件不使用“绝绝子”、“YYDS”等过度使用的网络用语每条标题不超过20字至少3条包含具体数字如“7天”、“28天”避免医疗功效承诺输出格式编号列表每条标题后附一个emoji建议虽然我不喜欢emoji但小红书场景需要。输出示例熬到凌晨三点脸居然没垮建议月亮emoji连续加班7天同事问我是不是去度假了建议飞机emoji熬夜党自救指南这瓶精华让我省了遮瑕钱建议灯泡emoji这些标题直接能用而且风格统一。如果我只说“写10条护肤品标题”得到的可能是“焕颜修护精华让你的肌肤重获新生”这种毫无点击欲望的文案。5. 常见问题与排查技巧实录5.1 输出太泛怎么办这是最高频的问题。AI给了一堆“正确的废话”看起来什么都说了实际上什么都没说。排查思路是逐模块检查先看角色设定是不是太泛。把“资深工程师”改成“有8年高并发系统经验的后端工程师”输出立刻具体。再看任务描述是不是停留在目标层面。把“优化这段代码”改成“找出这段代码中的三个性能问题按影响程度排序每个问题给出修复后的代码片段”输出立刻有针对性。最后看约束条件是不是太少。加一条“每个建议必须附带具体数据或案例”AI就不敢泛泛而谈了。我自己的经验是输出太泛90%是因为任务描述不够具体9%是因为角色设定太泛1%是模型本身的能力边界。5.2 输出格式不对怎么办格式问题分两种一种是完全不按格式来一种是格式对了但细节不对。完全不按格式来通常是因为格式描述太抽象。把“请输出JSON”改成直接给JSON模板问题基本解决。细节不对比如字段名大小写不一致、日期格式不统一需要在约束条件里明确写死。比如“日期格式统一为YYYY-MM-DD”、“字段名全部小写用下划线分隔”。我还会在输出格式后面加一句“严格按照上述模板输出不要添加额外字段”防止AI自作主张。5.3 输出内容有事实错误怎么办这个问题在技术类任务里特别常见AI会编造不存在的API、函数名、库。排查方法是在约束条件里加入验证要求。比如“只使用Python标准库中实际存在的模块”、“如果不确定某个函数是否存在先说明不确定不要编造”。另一个技巧是要求AI标注置信度。在输出格式里加一个字段“confidence: high/medium/low”让AI自己评估哪些内容它不确定。我实测下来加了置信度标注之后AI编造内容的概率明显下降因为它被要求对自己的输出做元认知评估。5.4 多轮对话中公式怎么用万能公式不仅适用于单轮对话多轮对话中同样有效。我的做法是第一轮用完整公式建立上下文后续轮次只写“任务约束格式”角色设定继承第一轮。比如第一轮让AI扮演资深编辑任务是审稿。第二轮我直接说“任务修改第二段约束保持原意字数减少30%格式直接输出修改后的段落”。AI会自动沿用第一轮的角色设定不需要重复。但如果任务类型变了比如从审稿变成写代码角色设定必须重新写。我试过不重写角色结果AI用编辑的口吻写代码注释里全是“这段代码很优美”这种废话。5.5 常见问题速查表问题现象最可能原因排查动作输出太泛任务描述停留在目标层面把目标拆成具体动作格式不对格式描述太抽象直接给模板内容编造缺少验证约束加“不确定就说明”风格不对角色设定太泛加经验年限和风格特征约束失效约束超过5条拆成多轮对话输出太长没写字数约束加“不超过N字”输出太短任务描述不够具体加“每个要点展开说明”6. 把公式变成肌肉记忆的训练方法6.1 从改写收藏夹开始把你收藏的提示词拿出来逐条用公式拆解。看看每条提示词里角色、任务、约束、格式分别是什么缺了哪个模块。我做过这个练习拆了50条之后发现大部分“神级提示词”其实就是公式的某个变体有的甚至只写了任务和格式角色和约束全靠使用者自己脑补。拆解之后试着用公式重新写一遍。你会发现原来那条提示词之所以有效是因为它在某个特定场景下恰好补全了缺失的模块。理解了这个你就能自己生成新提示词了。6.2 建立自己的模块库我建议建三个文档角色库、任务动词库、约束库。角色库收集你常用的角色设定比如“资深Python工程师”、“小红书美妆博主”、“数据分析师”。任务动词库收集精确动词比如“重写”、“提取”、“对比”、“压缩”。约束库收集常用约束比如“不用第三方库”、“不超过200字”、“用表格呈现”。每次写提示词从三个库里挑模块拼装效率极高。我现在的提示词平均编写时间从5分钟降到了1分钟而且质量稳定。6.3 刻意练习每天用公式写三条提示词选三个日常场景比如“让AI总结会议纪要”、“让AI写周报”、“让AI解释一个技术概念”每天用完整公式写三条提示词然后对比输出质量。坚持两周你会发现自己对每个模块的敏感度大幅提升。我自己的练习方法是同一个任务写三个版本的提示词一个只写任务一个写任务格式一个写完整公式然后对比输出。差异非常明显完整公式版本的输出质量稳定高出30%以上。6.4 避坑心得公式不是万能的最后说一个我踩过的坑公式在确定性任务上效果极好比如代码生成、信息提取、格式转换。但在高度创意任务上比如写小说、写诗、生成艺术概念公式的作用会减弱。因为创意任务需要模型“发散”而公式的本质是“收敛”。我的做法是创意任务只用公式的前两个模块角色任务约束和格式尽量放宽给模型留出发散空间。比如让AI写一个科幻短篇我只写“你是一个科幻作家擅长写赛博朋克风格任务写一个关于记忆交易的故事开头300字左右”不写约束和格式让模型自由发挥。这样出来的内容反而更有灵气。公式是工具不是教条。理解它为什么有效比死记硬背四个模块更重要。当你能够根据任务类型灵活调整公式的松紧度时才算真正掌握了它。