企业官网建设流程全解析

1. 先别急着写提示词，想清楚这三件事

1.1 提示词工程到底在解决什么问题

这几年我接触了大量用 AI 写文案、写代码、做分析的朋友，发现一个普遍现象：很多人觉得 AI 不好用，说“它就是个高级聊天机器人，给不出我要的东西”。但我看完他们的操作之后，几乎每次都能找到同一个病根——提示词给得太粗糙了。不是 AI 不行，是你没把需求说清楚。

提示词工程（Prompt Engineering）本质上解决的是“人机沟通效率”问题。模型就像一个能力很强但没见过世面的新员工，你命令得越模糊，它发挥得越随机。你给它清晰的角色、明确的边界、可执行的步骤、具体的格式要求，它就能稳定输出 80 分以上的结果。这不是玄学，是方法论。

我见过太多人把提示词工程想成“咒语大全”，到处收集所谓的“神级 Prompt”，结果拿回来一用还是不行。原因很简单：提示词不是靠堆砌华丽词句，而是靠信息结构。谁把任务拆得清楚、说得明白，谁就能稳定拿到好结果。这篇文章里的 10 个技巧，加上最后的模板库，就是帮你把这件事一次做对的东西。

1.2 好提示词的三个标准

在进入具体技巧之前，先给“好提示词”下一个可量化的定义。我自己的判断标准就三条。

一是可复现。同一个提示词，今天用、明天用，换个模型用，输出质量不会剧烈波动。如果每次结果都像开盲盒，说明你的提示词里变量太多，信息不够收敛。

二是可控制。你能通过改写提示词的某一部分，精准地影响输出结果。比如你想让文章更口语化，改几个词就有效；你想让回答更简短，加一句限制就生效。控制力来自结构的清晰，而不是运气。

三是可交付。生成的结果能直接用于工作流，不需要你大改特改。这就要求提示词里包含输出格式、内容范围、语气风格等约束条件，而不是只给一个话题让 AI 自由发挥。

这三点也是贯穿全文的评价尺度。你在看后面 10 个技巧的时候，可以随时对照：这个技巧对我的“可复现、可控制、可交付”有没有帮助。

2. 10 个立刻能上手的提示词技巧

这 10 个技巧我按使用频率和见效速度排了个序。前 5 个属于“基础四则运算”，解决把话说清楚的问题；后 5 个属于“进阶微积分”，解决把结果调到位的问题。建议你先从第一个开始，一个一个试，不用贪多。

2.1 基础技巧：把话说清楚

技巧 1：角色锚定法

所谓角色锚定，就是在提示词开头给 AI 一个明确的身份设定。别小看这一步，它决定了后续所有输出的语气、知识范围和信息密度。比如你直接说“帮我写个产品文案”，和你说“你是一位有 8 年消费电子行业经验的品牌文案策划，请帮我写一个智能手表的电商详情页文案”，结果差距非常大。前者写出来的往往是正确的废话，后者会有行业术语、用户痛点、利益点拆解，完全是两个量级。

我自己的经验是，角色描述越具体越好，而且要把“为什么需要这个角色”也写进去。比如“你是电商平台的金牌客服主管，擅长把复杂的功能参数翻译成用户听得懂的日常语言”就比“你是客服专家”强得多。理由是：模型在生成时会调用与角色相关的能力模块，你给的信息越丰富，它调用的范围越精准。实操时可以把角色锚定放在提示词的第一段，用方括号或引号标出，方便后续修改。

技巧 2：任务边界清单

模糊的需求是提示词工程的头号杀手。我遇到过最典型的例子是让 AI“写一篇文章”，结果它洋洋洒洒写了 3000 字，里面还有一半是废话。问题不在 AI，在于我没说清楚要多少字、给谁看、用在什么场景。

任务边界清单是解决这个问题的标准动作。写提示词前，先在心里过一遍这几个问题：目标是什么？受众是谁？输出形式是什么？有哪些约束条件？把答案全部写进提示词里。比如：

• 目标：写一份 500 字的手机产品卖点说明。
• 受众：从来没看过参数表的普通消费者。
• 输出形式：分点列出卖点，每条不超过 30 字。
• 约束：不出现专业术语，不比较竞品。

这样写出来的提示词，AI 想跑偏都难。我自己习惯在提示词里用“请严格遵循以下要求”作为边界清单的开头，然后把条件逐一列出。这个动作看起来不起眼，却是新手和老手最大的区别。

技巧 3：思维链

思维链（Chain of Thought）是我在所有技巧里最推荐优先掌握的。它解决的核心问题是：当任务需要推理、计算或逻辑判断时，直接问答案容易出错，但让 AI“先推理再回答”，正确率会大幅提升。

因为模型在逐字生成回复时，本质上是在做概率预测。如果你让它直接跳到最后一步，它可能会跳过关键计算；如果你要求它写出思考步骤，每一步都会生成更多正确的中间信息，最后一步的答案自然更可靠。

思维链的用法分两种。一种是“内置式”，在提示词里直接写“请先逐步分析你的思路，最后给出结论”。另一种是“引导式”，在提示词里给一个推理示例，比如“要计算这个方案的预算，我们首先要拆解各项成本，再分别估算”。加一句“请一步步思考”，在很多复杂任务上能把表现拉升一个台阶。注意一个细节：如果你只需要答案，可以在提示词末尾加“请先内部推理，但只输出最终结论”，这样既保证了质量，又不让 AI 把思考过程啰嗦出来。

技巧 4：少样本示例

给 AI 一个例子，胜过给它十句抽象解释。少样本示例（Few-shot）的原理是：模型天生擅长模仿模式，你给它一组输入—输出范例，它就会按这个模式生成新结果。

比如我经常需要把一段技术文档改写成朋友圈风格。我不会写“请改写得更接地气”，而是直接给两个例子：左边是原文，右边是改写后的文案。模型看到范例之后，自动就能抓住口语化、短句、带情绪、有引子这几个特征，生成结果几乎不用再改。

实操时有一个小讲究：示例的数量控制在两到三个为佳，太少模型抓不住规律，太多会干扰它的注意力。而且示例要放在提示词中靠前的位置，离任务描述越近越好。我一般把示例放在角色设定之后、正式任务之前，形成一个“身份—范例—任务”的递进结构，这个组合拳比单用任何一个技巧都稳。

技巧 5：输出格式控制

很多人拿到 AI 的回答之后，还要花时间整理排版，这其实是白白浪费时间。你完全可以在提示词里直接规定输出格式，让结果拿来就能用。

我常用的格式控制有两种。一种是“块级控制”，告诉 AI“用 Markdown 格式输出，二级标题用 ##，重点内容加粗”；另一种是“字段级控制”，告诉 AI“输出必须包含以下字段：标题、摘要、分点说明、行动建议”，甚至可以直接要求“把结果输出为 JSON 格式”。比如：

请将以下会议纪要整理为 JSON 格式： { "meeting_topic": "xxx", "decisions": ["xxx"], "action_items": [{"owner": "xxx", "task": "xxx", "due_date": "xxx"}] }

这样生成的结果可以直接被程序读取，或者无缝粘贴进文档，省掉了二次整理的时间。不过要提醒一句：格式控制对模型的指令遵循能力有一定要求，如果它偶尔不听话，可以在提示词里加上“严格按照格式输出，不要加入解释性文字”，效果通常会好很多。

2.2 进阶技巧：把结果调到位

技巧 6：负向指令

我一直把负向指令叫作“提示词里的刹车片”。大部分人都知道告诉 AI“要做什么”，但很少人习惯告诉它“不要做什么”。

比如你让 AI 写产品文案，如果你不说明“不要使用感叹号”，它可能每句话都给你加个感叹号，结果读起来特别廉价；如果你不说明“不要写‘完美’‘极致’这类空泛词”，它会习惯性堆砌这种营销套话。加一行“请不要使用夸张词汇和情感符号”之后，输出质量往往立刻上一个档次。

负向指令适合用来处理三类问题：一是控制语气，二是屏蔽无信息量的空话，三是限制内容范围。有一个常见的坑是：负向指令太多会限制模型的发挥空间，导致输出干巴巴的。解决办法是“正负配合”，既说“要口语化、有感染力”，又说“不要用书面语、不要堆形容词”，两面夹击之后，模型对风格的把握会精准很多。

技巧 7：上下文锚点

上下文锚点的核心是：在对话过程中反复锁定关键信息，防止模型遗忘或跑偏。适用于多轮对话场景，尤其是任务周期长、信息量大的时候。

我举一个日常场景：你让 AI 帮你改文章，第一轮说“请把开头改得更吸引人”，它改得很好；第二轮你说“把第三段删掉”，它可能真的把第三段删了，但改稿风格却从“吸引人”漂移到了“学术化”。这时候如果你在第二轮补一句“请保持第一轮确定的轻松口语风格”，它就能回到正轨。

实操方法是先把关键信息压缩成一句“锚点句”，比如“目标读者：25-35岁职场人；语言风格：口语化；文章长度：800字左右”。然后放在每轮提问的开头或结尾。我见过最高效的用法，是把锚点句放在所有指令之前，并用“请始终记住以下要求”开头，模型会把这段内容视为全局约束，多轮对话中不容易丢掉。

技巧 8：迭代追问

很多新手有个误区，以为提示词工程追求“一次生成完美结果”。实际上，我身边的资深玩家都在做“快速生成—精准修正”的循环。

迭代追问的核心思想是：第一版提示词不用太复杂，先把任务说个大概，让 AI 产出一个草稿，然后在这个草稿基础上逐轮追加修正指令。比如：“把第二点展开成 3 个具体例子”“把结论提前到开头”“删掉所有例子”。每一轮修改都只针对一个具体问题，模型不容易混淆。

这个技巧的最大优势是节省思考成本。你不必在第一轮就把所有约束想全，而是通过对话逐步逼近答案。我自己通常会在第三轮左右看到可用的结果，整个过程大约 5 分钟。如果你发现自己在一开始就纠结“怎么把提示词写到完美”，大概率是在浪费时间和 tokens。

技巧 9：温度参数的理解与应用

严谨地说，温度参数属于模型参数调节的范畴，不算纯粹的提示词技巧，但用好它能让你的提示词效果倍增，所以必须提一下。

温度（temperature）控制的是模型输出的“创造性程度”。温度越低（接近 0），输出越保守、稳定、可预测；温度越高（接近 1 或以上），输出越多样、跳跃、有创意。你可以把它类比为开车的油门：温度低是稳着开，温度高是猛踩油门，容易出惊喜也容易翻车。

实操中的搭配思路是：事实性任务（写总结、整理信息、翻译）用低温，配合清晰的提示词结构；创意性任务（写文案、头脑风暴、起名字）用高温，配合开放式的角色和指令。如果你是小白，暂时不知道用什么温度，就用默认值；但当你发现 AI 的回答太死板或太发散时，第一反应应该是去调温度，而不是反复改提示词。有时候提示词没变，只把温度从 0.7 调到 0.3，答案的稳定性就立刻上来了。

技巧 10：结构化模板

最后一个技巧，也是我认为最值得养成习惯的：把提示词拆成“五要素”：“角色”（你是谁）、“任务”（你要做什么）、“输入”（我给你什么）、“输出”（你给我什么）、“约束”（有什么限制）。用这五个维度写出来的提示词，我再强调一遍，这是一套可复用、可调试、可交接的标准格式。

我写提示词的基本结构是这样的：

# 角色 你是一位资深的短视频脚本策划，擅长用 30 秒讲清楚一个复杂概念。 # 任务 根据以下产品信息，写一个 30 秒口播脚本。 # 输入 产品名称：XXX；核心功能：XXX；目标用户：XXX。 # 输出要求 1. 总字数 150 字以内 2. 开头一句引发好奇 3. 中间讲一个使用场景 4. 结尾一句行动号召 # 约束 不使用夸张词汇，不出现价格信息，语气自然口语化。

这套结构的优势非常明显：任何一个环节出问题，你都能定位到具体是哪个“要素”写错了；换任务时，只需要改“输入”和“任务”两个字段，其他部分可以复用。到这一步，你基本告别了“随手乱写”的初级阶段，进入了“工程化”的节奏。

3. 可直接复用的提示词模板库

技巧是“招”，模板是“套路”。这一节我整理了几套自己反复在用的模板，按使用场景分了类，可以根据需求直接复制，替换关键信息就能用。

3.1 日常写作与内容创作

这套模板适用于公众号文章、小红书笔记、产品文案等场景。核心思路是“先定框架框架，再让 AI 填充内容”。

# 角色 你是一位擅长深入浅出的内容创作者，能用通俗的话讲清楚专业内容。 # 任务 围绕主题【在这里填写主题】写一篇内容，要求： 1. 开头用 1-2 句话抓住读者注意力 2. 正文分成 3-4 个小点，每个小点配合一个生活化例子 3. 每个小点控制在 100-150 字 4. 结尾给一句行动建议 # 约束 - 不使用“综上所述”等空泛总结 - 不堆砌形容词，不写套话 - 语气像一个专业朋友在聊天

3.2 编程与技术类

程序员用 AI 最频繁的场景无非是写代码、改代码、解释代码、写测试。这套模板的核心是“把需求描述变成工程上下文”。

# 角色 你是一位精通 JavaScript / Python / [选一种语言] 的资深开发工程师。 # 需求 请实现一个 [功能名]，具体要求： 1. 输入：参数类型为 [类型]，格式为 [格式] 2. 输出：返回 [数据类型/结构] 3. 边界情况：处理 [空值/超时/异常输入] 的情况 4. 性能要求：数据量在 [规模] 以内时，响应时间不超过 [时间] # 输出要求 - 先给完整代码，再附一段简短的“关键逻辑说明” - 代码中关键行添加注释 # 约束 - 不使用 deprecated 的函数 - 不额外引入第三方依赖（除非明确要求）

3.3 学习与研究类

这类模板适合用来读书、分析报告、理解复杂概念。核心是“让 AI 当你的专属老师”，而不是单纯给你一个答案。

# 角色 你是一位耐心且有经验的学习导师，擅长把复杂概念拆解成可理解的小块。 # 任务 帮我理解 [概念/文章/书籍名称]，请按以下步骤： 1. 用三句话概述这个内容的核心观点 2. 用“生活类比”解释其中一个难点 3. 列出 3 个容易混淆的常见误解 4. 给出一个测试性问题，检验我是否真的理解 # 约束 - 避免使用专业术语，如果必须使用，请当场解释 - 每次只讲一个知识点，不要一次性铺开

4. 我踩过的坑：常见问题与排查实录

4.1 六个高频问题速查表

第一种是输出太泛泛。你让 AI“写一篇关于时间管理的文章”，它给你列了大而全的框架，没有任何具体行动点。排查方向：缺少“输入”信息，也就是没有给它具体的素材、案例或数据。加上具体信息之后，输出自然就具体了。

第二种是格式不稳定。有时候给 Markdown，有时候给纯文本。排查方向：检查“输出要求”是否足够明确，最好给一个格式示例，而不只是口述要求。

第三种是角色不生效。你让 AI 扮演医生，它还是一副“通用助手”的语气。排查方向：角色描述太单薄，或者在正式任务里没有呼应角色。试试在任务描述里再加一句“结合你的医生视角来分析”。

第四种是回答过长或过短。排查方向：直接给字数限制，并且把“××字以内”写清楚，比写“简洁一点”有效得多。如果你要 200 字，就写“200 字以内”，别写“简短”。

第五种是事实性错误。AI 一本正经地编数据、编文献。排查方向：能在提示词里给出的事实尽量给出；对于因为它的知识盲区而必须让它编的内容，明确要求“如果不知道，请直接说不知道，不要猜测”。

第六种是风格漂移。你说“口语化一点”，它第二段突然变得书面化。排查方向：参考“技巧 7：上下文锚点”，把风格要求作为全局约束反复强调，或者直接给它一段风格范例，让它模仿。

4.2 排查工具型思维

最后分享一个我自己的经验：把提示词当作“代码”，把模型当作“解释器”。遇到问题，不要急着说“AI 不行”，按“输入数据是否完整—指令是否明确—格式是否约束—角色是否清晰”这个顺序排查，90% 的问题都能定位到原因。

我这两年做 AI 应用开发，最大的体会之一是：人和 AI 协作的能力，本质上是“把意图结构化”的能力。同样的模型，有人用起来像神器，有人用起来像玩具，区别就在于会不会写提示词。上面这 10 个技巧和模板库，如果你能逐个上手试验，一周之后回头看，大概率会有一种“以前都在瞎聊”的感觉。

最后再分享一个小习惯：每次写出好用的提示词，顺手存档。我自己的提示词仓库是按场景分的，比如“写作”“编程”“翻译”“问答”，每个文件里都标注了“什么时候用、怎么改参数”。积累一段时间之后，你会发现大部分任务都不需要从零开始写提示词，直接调模板改字段就行。这件事带来的效率提升，比任何单个技巧都大。